AI hjælper med at opdage nye rumanomalier

SNAD-teamet, et internationalt netværk af forskere, herunder Matvey Kornilov, lektor ved HSE University Faculty of Physics, har opdaget 11 tidligere uopdagede rumanomalier, hvoraf syv er supernova-kandidater. Forskerne analyserede digitale billeder af den nordlige himmel taget i 2018 ved hjælp af et k-D-træ til at detektere anomalier gennem 'nærmeste nabo'-metoden. Maskinlæringsalgoritmer hjalp med at automatisere søgningen. Artiklen er udgivet i New Astronomy .

De fleste astronomiske opdagelser er baseret på observationer med efterfølgende beregninger. Mens det samlede antal observationer i det 20. århundrede stadig var relativt lille, steg datamængderne drastisk med ankomsten af ​​store astronomiske undersøgelser. For eksempel genererer Zwicky Transient Facility (ZTF), som bruger et vidvinkelkamera til at overskue den nordlige himmel, ~1,4 TB data pr. observationsnat, og dets katalog indeholder milliarder af objekter. Manuel behandling af så enorme mængder data er både dyrt og tidskrævende, så SNAD-teamet af forskere fra Rusland, Frankrig og USA gik sammen om at udvikle en automatiseret løsning.

Når videnskabsmænd undersøger astronomiske objekter, observerer de deres lyskurver, som viser variationer af et objekts lysstyrke som en funktion af tiden. Observatørerne identificerer først et lysglimt på himlen og følger derefter dets udvikling for at se, om lyset bliver stærkere eller svagere over tid eller går ud. I denne undersøgelse undersøgte forskerne en million rigtige lyskurver fra ZTF's 2018-katalog og syv simulerede levende kurvemodeller af de typer objekter, der undersøges. I alt fulgte de omkring 40 parametre, inklusive amplituden af ​​et objekts lysstyrke og tidsrammen.

"Vi beskrev egenskaberne af vores simuleringer ved hjælp af et sæt karakteristika, der forventes at blive observeret i virkelige astronomiske legemer. I datasættet med cirka en million objekter ledte vi efter supermægtige supernovaer, Type Ia supernovaer, Type II supernovaer og tidevand. forstyrrelser," forklarer Konstantin Malanchev, medforfatter af papiret og postdoc ved University of Illinois i Urbana-Champaign. "Vi omtaler sådanne klasser af objekter som anomalier. De er enten meget sjældne, med lidt kendte egenskaber eller virker interessante nok til at fortjene yderligere undersøgelse."

Lyskurvedataene fra virkelige objekter blev derefter sammenlignet med simuleringer ved brug af k-D-træalgoritmen. Et k-D træ er en geometrisk datastruktur til at opdele rummet i mindre dele ved at skære det med hyperplaner, planer, linjer eller punkter. I den nuværende forskning blev denne algoritme brugt til at indsnævre søgeområdet, når man ledte efter rigtige objekter med egenskaber svarende til dem, der er beskrevet i de syv simuleringer.

Efterfølgende identificerede holdet 15 nærmeste naboer, dvs. rigtige objekter fra ZTF-databasen, for hver simulering - 105 matches i alt, som forskerne derefter undersøgte visuelt for at kontrollere for uregelmæssigheder. Den manuelle verifikation bekræftede 11 anomalier, hvoraf syv var supernovakandidater, og fire var aktive galaktiske kernekandidater, hvor tidevandsafbrydelseshændelser kunne forekomme.

"Dette er et meget godt resultat," kommenterer Maria Pruzhinskaya, medforfatter til papiret og forskningsstipendiat ved Sternberg Astronomical Institute. "Ud over de allerede opdagede sjældne objekter var vi i stand til at opdage flere nye, som astronomer tidligere savnede. Det betyder, at eksisterende søgealgoritmer kan forbedres for at undgå at gå glip af sådanne objekter."

Denne undersøgelse viser, at metoden er yderst effektiv, samtidig med at den er forholdsvis let at anvende. Den foreslåede algoritme til at detektere rumfænomener af en bestemt type er universel og kan bruges til at opdage alle interessante astronomiske objekter, ikke begrænset til sjældne typer supernovaer.

"Astronomiske og astrofysiske fænomener, som endnu ikke er blevet opdaget, er i virkeligheden anomalier," ifølge Matvey Kornilov, lektor ved HSE University Fakultet for Fysik. "Deres observerede manifestationer forventes at adskille sig fra kendte objekters egenskaber. I fremtiden vil vi forsøge at bruge vores metode til at opdage nye klasser af objekter." + Udforsk yderligere

En ny pipeline til opdagelse af anomalier til astronomiske opdagelses- og anbefalingssystemer