A 20. század eleje óta a tudósok és a fizikusok feladata annak magyarázata, hogy miként és miért látszik az univerzum egyre gyorsuló ütemben. Amellett, hogy felelős a kozmikus gyorsulásért, úgy gondolják, hogy ez az energia az univerzum nem látható tömegének 68,3% -át is tartalmazza.
A sötét anyaghoz hasonlóan ennek a láthatatlan erőnek a megfigyelhető jelenségeken alapszik, és mivel ez valóban megfelel a kozmológia jelenlegi modelljeinek, és nem közvetlen bizonyítékoknak. Ehelyett a tudósoknak közvetett megfigyelésekre kell támaszkodniuk, figyelemmel kísérve, hogy a kozmikus tárgyak (különösen az Ia típusú szupernóvák) menekülnek tőlünk, ahogy az univerzum kibővül.
Ez a folyamat rendkívül unalmas lenne a tudósok számára - mint például a Dark Energy Survey (DES) munkatársai számára -, ha nem a Lawrence Berkeley Nemzeti Laboratórium és az UC Berkeley kutatói által közösen kidolgozott új algoritmusok lennének.
"Algoritmusunk körülbelül 0,01 másodperc alatt osztályozhatja a szupernóva jelölt észlelését, míg egy tapasztalt emberi szkenner több másodpercet is igénybe vehet" - mondta Danny Goldstein, az UC Berkeley végzős hallgató, aki kidolgozta a kódot a szupernóva felfedezés folyamatának automatizálására a DES képeken. .
Jelenleg a második évadban a DES éjszakai képeket készít a déli égboltról DECammal - egy 570 megapixeles kamerával, amelyet a chilei Andokban, a Cerro Tololo Interamerican Observatory (CTIO) Victor M. Blanco távcsövére szereltek fel. A kamera minden este 100 gigabájt (GB) és 1 terabyte (TB) között készít képalkotó adatokat, amelyeket elküld a Nemzeti Szuperszámítógépes Alkalmazások Központjának (NCSA) és a DOE Fermilabnak Illinoisban, kezdeti feldolgozás és archiválás céljából.
A Nemzeti Energiakutatási Tudományos Számítástechnikai Központban (NERSC) kifejlesztett és az NCSA-ban megvalósított objektumfelismerő programok azután átalakítják a képeket az Ia típusú szupernóvák esetleges kimutatásának keresése céljából. Ezek az erőteljes robbanások olyan bináris csillagrendszerekben fordulnak elő, ahol az egyik csillag egy fehér törpe, amely anyagot gyűjt a társcsillagból, amíg el nem éri a kritikus tömeget, és felrobban az Ia típusú szupernóvában.
"Ezek a robbanások figyelemre méltóak, mert kozmikus távolságmutatókként felhasználhatók 3-10 százalékos pontossággal" - mondja Goldstein.
A távolság azért fontos, mert minél távolabb van egy objektum a térben, annál később van az időben. Az Ia típusú szupernóvák különböző távolságokon történő követésével a kutatók mérhetik a kozmikus terjeszkedést az univerzum egész története során. Ez lehetővé teszi számukra, hogy korlátokat szabjanak arra, hogy az univerzum milyen gyorsan növekszik, és esetleg más utalásokat is tartalmazhatnak a sötét energia természetére vonatkozóan.
"Tudományos szempontból ez egy nagyon izgalmas idő, mivel a világ számos csoportja megpróbálja pontosan mérni az Ia típusú szupernóvákat annak érdekében, hogy megfékezze és megértse a sötét energiát, amely az univerzum felgyorsult expanzióját hajtja végre" - mondja Goldstein, aki szintén hallgató kutató a Berkeley Lab Számítógépes Kozmológiai Központjában (C3).
A DES megkezdi az Ia típusú robbanások keresését az éjszakai égbolt változásainak feltárásával, ahol jön a DES szupernóva munkacsoport kutatói által kidolgozott és bevezetett képkivonási csővezeték. A csővezeték az új képekből kivonja az ismert kozmikus tárgyakat tartalmazó képeket. amelyeket éjjel ki vannak téve a CTIO-nál.
A csővezeték minden este 10 000 és néhány százezer detektálást eredményez a szupernóva jelöltek között, amelyeket érvényesíteni kell.
„A történelmileg képzett csillagászok órákig ültek a számítógépnél, nézték ezeket a pontokat, és véleményt fogalmaztak meg arról, hogy vannak-e szupernóva tulajdonságai, vagy azokat olyan hamis hatások okozzák, amelyek az adatokban szupernóvákként árnyékolódnak. Ez a folyamat egyszerűnek tűnik, amíg rájössz, hogy minden éjjel osztályozandó jelöltek száma túlságosan nagy, és néhány százból csak egy valódi bármilyen szupernóva ”- mondja Goldstein. „Ez a folyamat rendkívül unalmas és időigényes. Nagyon nagy nyomást gyakorol a szupernóva munkacsoportra az adatok gyors feldolgozására és szkennelésére, ami nehéz munka. ”
A jelöltek ellenőrzésének egyszerűsítése érdekében Goldstein kifejlesztett egy olyan kódot, amely a „Véletlenszerű erdő” gépi tanulási technikát használja a szupernóva jelöltek automatikus és valós időben történő észlelésének ellenőrzésére, hogy ezeket a DES-re optimalizálják. A technika döntési fák együttesét alkalmazza, hogy automatikusan feltegye a kérdést, amelyet a csillagászok általában figyelembe vesznek a szupernóva jelöltek osztályozásakor.
A folyamat végén minden egyes jelölt kimutatása pontszámot kap azon döntési fák hányada alapján, amelyek úgy ítélték meg, hogy a szupernóva kimutatására jellemzőek. Minél közelebb van az osztályozási pontszám, annál erősebb a jelölt. Goldstein megjegyzi, hogy az előzetes tesztek során az osztályozási vezeték teljes pontosságot ért el 96 százalékkal.
"Ha önmagában elvégzi a kivonást, akkor túlságosan sok" hamis pozitív "- műszeres vagy szoftveres műalkotás jelenik meg, amelyek potenciális szupernóva-jelöltekként jelennek meg -, hogy az emberek át tudják szűrni őket" - mondja Rollin Thomas, a Berkeley Lab C3-ból, aki Goldstein munkatársa volt.
Megjegyzi, hogy az osztályozó segítségével a kutatók gyorsan és pontosan eltávolíthatják a szupernóva jelöltek tárgyait. "Ez azt jelenti, hogy ahelyett, hogy a szupernóva munkacsoportból 20 tudós állandóan több éjjel jelentkezőkön keresztül szitálna át, csak kinevezhet egy embert, aki talán néhány száz erős jelöltet fog megnézni" - mondja Thomas. "Ez jelentősen felgyorsítja a munkafolyamatot, és lehetővé teszi számunkra, hogy valós időben azonosítsuk a szupernóvákat, ami elengedhetetlen a követő megfigyelések elvégzéséhez."
"Körülbelül 60 mag felhasználásával egy szuperszámítógépen 200 000 észlelést osztályozhatunk körülbelül 20 perc alatt, ideértve az adatbázis-interakció és a szolgáltatás kibontásának idejét." - mondja Goldstein.
Goldstein és Thomas megjegyezte, hogy e munka következő lépése egy második szintű gépi tanulás hozzáadása a csővezetékhez az osztályozás pontosságának javítása érdekében. Ez a kiegészítő réteg figyelembe veszi az objektum besorolását a korábbi megfigyelések során, mivel meghatározza annak valószínűségét, hogy a jelölt „valós”. A kutatók és munkatársaik jelenleg különböző megközelítéseken dolgoznak ezen képesség elérése érdekében.
