Cassiopea A, o Cas A, è un resto di supernova situato a 10, 000 anni luce di distanza nella costellazione di Cassiopea, ed è il residuo di una stella un tempo massiccia che morì in una violenta esplosione circa 340 anni fa. Questa immagine stratifica l'infrarosso, visibile, e dati a raggi X per rivelare strutture filamentose di polvere e gas. Cas A è tra il 10% delle supernovae che gli scienziati sono in grado di studiare da vicino. Il nuovo progetto di machine learning di CfA aiuterà a classificare migliaia, e alla fine milioni, di supernove potenzialmente interessanti che altrimenti non potrebbero mai essere studiate. Credito:NASA/JPL-Caltech/STScI/CXC/SAO
L'intelligenza artificiale sta classificando le vere esplosioni di supernova senza l'uso tradizionale degli spettri, grazie a un team di astronomi del Centro di Astrofisica | Harvard e Smithsonian. I set di dati completi e le classificazioni risultanti sono pubblicamente disponibili per l'uso aperto.
Addestrando un modello di apprendimento automatico per classificare le supernove in base alle loro caratteristiche visibili, gli astronomi sono stati in grado di classificare i dati reali del Pan-STARRS1 Medium Deep Survey per 2, 315 supernovae con un tasso di precisione dell'82% senza l'uso di spettri.
Gli astronomi hanno sviluppato un programma software che classifica diversi tipi di supernova in base alle loro curve di luce, o come la loro luminosità cambia nel tempo. "Abbiamo circa 2, 500 supernovae con curve di luce dal Pan-STARRS1 Medium Deep Survey, e di quelli, 500 supernove con spettri utilizzabili per la classificazione, " disse Griffin Hosseinzadeh, ricercatore postdottorato presso il CfA e autore principale del primo di due paper pubblicati in Il Giornale Astrofisico . "Abbiamo addestrato il classificatore utilizzando quelle 500 supernovae per classificare le restanti supernovae dove non siamo stati in grado di osservare lo spettro".
Edo Berger, un astronomo del CfA ha spiegato che chiedendo all'intelligenza artificiale di rispondere a domande specifiche, i risultati diventano sempre più precisi. "Il machine learning cerca una correlazione con le 500 etichette spettroscopiche originali. Gli chiediamo di confrontare le supernove in diverse categorie:colore, tasso di evoluzione, o luminosità. Alimentandolo con la vera conoscenza esistente, porta alla massima precisione, tra l'80 e il 90%".
Sebbene questo non sia il primo progetto di apprendimento automatico per la classificazione delle supernove, è la prima volta che gli astronomi hanno accesso a un set di dati reale abbastanza grande da addestrare un classificatore di supernovae basato sull'intelligenza artificiale, rendendo possibile la creazione di algoritmi di machine learning senza l'uso di simulazioni.
"Se fai una curva di luce simulata, significa che stai facendo un'ipotesi su come saranno le supernove, e il tuo classificatore imparerà anche queste ipotesi, " disse Hosseinzadeh. "La natura creerà sempre alcune complicazioni aggiuntive in cui non hai tenuto conto, il che significa che il tuo classificatore non funzionerà altrettanto bene sui dati reali come sui dati simulati. Poiché abbiamo utilizzato dati reali per addestrare i nostri classificatori, significa che la nostra accuratezza misurata è probabilmente più rappresentativa di come i nostri classificatori si esibiranno in altre indagini." Poiché il classificatore classifica le supernove, ha detto Berger, "Saremo in grado di studiarli sia in retrospettiva che in tempo reale per individuare gli eventi più interessanti per un follow-up dettagliato. Useremo l'algoritmo per aiutarci a scegliere gli aghi e anche a guardare il pagliaio".
Il progetto ha implicazioni non solo per i dati d'archivio, ma anche per i dati che verranno raccolti dai futuri telescopi. L'Osservatorio Vera C. Rubin dovrebbe essere online nel 2023, e porterà alla scoperta di milioni di nuove supernove ogni anno. Questo presenta sia opportunità che sfide per gli astrofisici, dove il tempo limitato del telescopio porta a classificazioni spettrali limitate.
"Quando l'Osservatorio Rubin sarà online aumenterà di 100 volte il nostro tasso di scoperta delle supernove, ma le nostre risorse spettroscopiche non aumenteranno, "ha detto Ashley Villar, un Simons Junior Fellow alla Columbia University e autore principale del secondo dei due articoli, aggiungendo che mentre circa 10, Attualmente vengono scoperte 000 supernovae ogni anno, gli scienziati prendono solo gli spettri di circa il 10% di quegli oggetti. "Se questo è vero, significa che solo lo 0,1 percento delle supernove scoperte dall'Osservatorio Rubin ogni anno riceverà un'etichetta spettroscopica. Il restante 99,9% dei dati sarà inutilizzabile senza metodi come i nostri".
A differenza degli sforzi passati, dove set di dati e classificazioni sono stati disponibili solo per un numero limitato di astronomi, i set di dati del nuovo algoritmo di apprendimento automatico saranno resi disponibili pubblicamente. Gli astronomi hanno creato facili da usare, software accessibile, e ha anche rilasciato tutti i dati da Pan-STARRS1 Medium Deep Survey insieme alle nuove classificazioni per l'uso in altri progetti. Hosseinzadeh ha detto, "Era davvero importante per noi che questi progetti fossero utili per l'intera comunità delle supernovae, non solo per il nostro gruppo. Ci sono così tanti progetti che possono essere realizzati con questi dati che non potremmo mai realizzarli tutti da soli". "Questi progetti sono dati aperti per la scienza aperta".
