Les astronomes de Caltech ont utilisé un algorithme d’apprentissage automatique pour classer 1 000 supernovae de manière totalement indépendante
La recherche de Caltech présente « SNIascore », une méthode de classification spectroscopique des supernovae thermonucléaires (SNeIa) basée sur des données à basse résolution (R 100) basées sur l’apprentissage en profondeur. L’objectif de SNIascore est d’automatiser entièrement la classification SNe Ia avec un très faible taux de faux positifs (FPR) afin que les gens n’aient pas à faire autant de travail.
Au public Zwicky Transient Facility (ZTF), Bright Transient Surveys et d’autres efforts à grande échelle pour classer les SN (BTS). Ils utilisent une architecture de réseau neuronal récurrent avec une mémoire à long terme fonctionnant dans les deux sens et des couches unitaires récurrentes contrôlées par des portes. SNIascore a un FPR de 0,6% et peut classer jusqu’à 90% des spectres SN Ia basse résolution dans BTS. Classification et régression binaires SNIascore pour prédire le décalage vers le rouge de SNeIa sûr. Lorsque SNIascore est utilisé avec une enquête ZTF BTS de taille limitée (70 % SNe Ia), le nombre de spectres qui doivent être classés ou confirmés par une personne est réduit d’environ 60 %.
De plus, SNIascore permet d’annoncer automatiquement les cotes SN Ia au public en temps réel juste après le quart de nuit.
Les astronomes tentent actuellement de répondre à certaines des questions scientifiques les plus passionnantes et les plus importantes, qui les obligent souvent à collecter de nombreuses informations sur divers événements cosmiques. Par conséquent, les observatoires astronomiques modernes se sont transformés en machines qui envoient chaque nuit aux astronomes des dizaines de milliers d’alertes et d’images. Cela est particulièrement vrai en astronomie dans le domaine temporel, où les scientifiques recherchent des choses qui changent rapidement, appelées transitoires. Ceux-ci incluent des étoiles qui explosent et meurent, appelées supernovae, et des trous noirs qui mangent les étoiles autour desquelles ils orbitent, des astéroïdes et d’autres choses.
L’algorithme d’apprentissage automatique proposé est beaucoup plus rapide pour classer les supernovae potentielles potentielles et partager les résultats avec la communauté astronomique. Cela donne également aux astronomes plus de temps pour travailler sur d’autres questions scientifiques. Avec SNIascore, le processus prend environ dix minutes au lieu de deux à trois jours. Les explosions dans l’espace doivent être détectées le plus rapidement possible afin que les scientifiques puissent en savoir plus sur leur fonctionnement.
Pour l’instant, seul SNIascore peut classer les supernovae de type Ia, que les astronomes utilisent comme « bougies standard » pour mesurer la vitesse d’expansion de l’univers. Ces étoiles meurent, et lorsqu’elles explosent, elles le font dans une puissante explosion thermonucléaire.
Le SNIascore est maintenant configuré pour fonctionner avec le spectromètre SEDM (Spectral Energy Distribution Machine), situé dans une coupole à l’observatoire de Palomar à quelques centaines de mètres de la caméra ZTF. Le ZTF regarde le ciel tout le temps et les astronomes du monde entier envoient chaque nuit des dizaines de milliers d’alertes sur les possibilités cosmiques éphémères. Le spectromètre SEDM est configuré pour suivre et observer les plus intéressants d’entre eux. Il crée un spectre d’événements cosmiques, qui montre la force des différentes fréquences de lumière capturées par la caméra du télescope. Les astronomes peuvent être sûrs du type d’événement qu’ils voient grâce à ce spectre. Le chercheur a utilisé des techniques d’apprentissage automatique intelligentes pour apprendre à SNIascore à bien lire les spectres SEDM.
Les chercheurs apportent actuellement des modifications au SNIascore pour travailler avec le nouveau spectromètre SEDMv2 qui sera placé sur le télescope de 2,1 mètres. SEDMv2 sera une version améliorée de SEDM. Il sera capable de trouver et de classer une supernova moins brillante. Actuellement, le SNIascore classe environ deux supernovae par nuit. Ce nombre pourrait doubler si SEDMv2 est utilisé.
Les avantages de SNIascore vont au-delà de la génération rapide et fiable de grands ensembles de données de supernovae. Les astronomes à la recherche d’autres types d’événements de transit peuvent rapidement exclure les candidats qui, selon SNIascore, sont des supernovae. Cela signifie qu’aucun temps de télescope n’est perdu à les suivre lors de la recherche d’autres types d’explosions dans l’espace.
D’autres tentatives de classification des événements transitoires utilisent également l’apprentissage automatique, mais elles n’utilisent que la « courbe de lumière » de l’événement ou la quantité de lumière qu’un télescope voit au fil du temps. SNIascore est bon car il est formé et utilisé avec des informations spectrales, qui sont le seul moyen fiable de confirmer ce que sont les plus transitoires. Le code de l’algorithme est public, donc d’autres groupes peuvent le modifier pour qu’il fonctionne avec leurs télescopes.
scanner le papier Et le Article de référence. Tout le mérite de cette recherche revient aux chercheurs de ce projet. N’oubliez pas non plus de vous inscrire Notre page Reddit Et le canal de discordeoù nous partageons les dernières nouvelles sur la recherche en IA, des projets d’IA sympas, et plus encore.
Ashish Kumar est consultant stagiaire chez MarktechPost. Il poursuit actuellement son Btech à l’Indian Institute of Technology (IIT) de Kanpur. Il est passionné par l’exploration de nouveaux développements technologiques et leur application dans la vie réelle.
