Astronomer identificerer 116.000 nye variable stjerner

Ohio State University astronomer har identificeret omkring 116.000 nye variable stjerner, ifølge et nyt papir.

Disse himmellegemer blev fundet af The All-Sky Automated Survey for Supernovae (ASAS-SN), et netværk af 20 teleskoper rundt om i verden, der kan observere hele himlen omkring 50.000 gange dybere end det menneskelige øje. Forskere fra Ohio State har drevet projektet i næsten et årti.

Nu i et papir offentliggjort på arXiv, en preprint-server med åben adgang, beskriver forskere, hvordan de brugte maskinlæringsteknikker til at identificere og klassificere variable stjerner - himmellegemer, hvis lysstyrke vokser og aftager over tid, især hvis de observeres fra vores perspektiv på Jorden.

De ændringer, disse stjerner gennemgår, kan afsløre vigtige oplysninger om deres masse, radius, temperatur og endda deres sammensætning. Faktisk betragtes selv vores sol som en variabel stjerne. Undersøgelser som ASAS-SN er et særligt vigtigt værktøj til at finde systemer, der kan afsløre kompleksiteten af ​​stjernernes processer, sagde Collin Christy, hovedforfatteren af ​​papiret og en ASAS-SN-analytiker ved Ohio State.

"Variable stjerner er ligesom et stjernelaboratorium," sagde han. "De er virkelig pæne steder i universet, hvor vi kan studere og lære mere om, hvordan stjerner rent faktisk fungerer, og de små forviklinger, som de alle har."

Men for at finde flere af disse uhåndgribelige enheder, skulle holdet først bringe tidligere ubrugte data fra projektet ind. I årevis stirrede ASAS-SN på himlen ved hjælp af V-båndsfiltre, optiske linser, der kun kan identificere stjerner, hvis lys falder ind i spektret af farver, der er synlige for det blotte øje. Men i 2018 skiftede projektet til at bruge g-båndsfiltre – linser, der kan registrere flere varianter af blåt lys – og netværket gik fra at kunne observere omkring 60 millioner stjerner ad gangen til mere end 100 millioner.

Men i modsætning til ASAS-SN's borgervidenskabelige kampagne, som er afhængig af frivillige til at gennemsøge og klassificere astronomiske data, krævede Christys undersøgelse hjælp fra kunstig intelligens.

"Hvis du vil se på millioner af stjerner, er det umuligt for nogle få mennesker at gøre det selv. Det vil tage evigheder," sagde Tharindu Jayasinghe, medforfatter af papiret, en doktorand i astronomi og en Ohio State præsidentens stipendiat. "Så vi var nødt til at bringe noget kreativt ind i blandingen, såsom maskinlæringsteknikker."

Den nye undersøgelse fokuserede på data fra Gaia, en mission til at kortlægge et tredimensionelt kort over vores galakse, samt fra 2MASS og AllWISE. Christys team brugte en maskinlæringsalgoritme til at generere en liste med 1,5 millioner kandidat-variable stjerner fra et katalog med omkring 55 millioner isolerede stjerner.

Bagefter reducerede forskere antallet af kandidater yderligere. Af de 1,5 millioner stjerner, de undersøgte, viste næsten 400.000 sig at være rigtige variable stjerner. Mere end halvdelen var allerede kendt af astronomisamfundet, men 116.027 af dem viste sig at være nye opdagelser.

Selvom undersøgelsen krævede maskinlæring for at fuldføre den, siger Christys team, at der stadig er en rolle for borgerforskere. Faktisk er frivillige med borgervidenskabskampagnen allerede begyndt at identificere junkdata, sagde han. "At få folk til at fortælle os, hvordan vores dårlige data ser ud, er super nyttigt, for i første omgang ville algoritmen se på de dårlige data og forsøge at give mening ud af det," sagde Christy.

Men ved at bruge et træningssæt med alle de dårlige data kan teamet ændre og forbedre den overordnede ydeevne af deres algoritme. "Dette er første gang, at vi faktisk kombinerer borgervidenskab med maskinlæringsteknikker inden for variabel stjerneastronomi," sagde Jayasinghe. "Vi udvider grænserne for, hvad du kan gøre, når du sætter de to sammen." + Udforsk yderligere

Borgerforskere finder 10.000 nye variable stjerner