Alates 20. sajandi algusest on teadlastele ja füüsikutele pandud kohustusi selgitada, kuidas ja miks Universum paisub kiireneva kiirusega. Arvatakse, et lisaks sellele, et vastutab ka kosmilise kiirenduse eest, moodustab see energia 68,3% universumi nähtamatust massist.
Sarnaselt tumeda ainega põhineb selle nähtamatu jõu olemasolu vaadeldavatel nähtustel ja kuna see sobib meie praeguste kosmoloogiamudelitega, mitte otseste tõenditega. Selle asemel peavad teadlased tuginema kaudsetele vaatlustele, jälgides, kui kiiresti kosmilised objektid (täpsemalt Ia tüüpi supernoovad) meist kõiksuse taanduvad, kui universum paisub.
See protsess oleks teadlastele - nagu neile, kes töötavad Dark Energy Survey (DES) nimel - äärmiselt tüütu, kui see poleks Lawrence Berkeley riikliku labori ja UC Berkeley teadlaste koostöös välja töötatud uute algoritmide jaoks.
"Meie algoritm võib liigitada supernoovakandidaadi tuvastamise umbes 0,01 sekundiga, samal ajal kui kogenud inimese skanner võib võtta mitu sekundit," ütles UC Berkeley kraadiõppur Danny Goldstein, kes töötas välja koodi, et automatiseerida supernoova avastamise protsessi DES-piltide jaoks. .
Praegu oma teisel hooajal teeb DES öiseid pilte lõunataevast DECamiga - 570-megapiksline kaamera, mis on paigaldatud Victor M. Blanco teleskoobile Cerro Tololo Interamerican Observatory (CTIO) Tšiili Andides. Igal õhtul genereerib kaamera 100 gigabaidist (GB) kuni 1 terabaitini (TB) pildiandmeid, mis saadetakse esmaseks töötlemiseks ja arhiveerimiseks Illinoisi superarvutirakenduste riiklikule keskusele (NCSA) ja DOE Fermilabile.
Objektide äratundmise programmid, mis on välja töötatud Riiklikus Energiauuringute Teadusarvutuskeskuses (NERSC) ja rakendatud NCSA-s, kammivad seejärel pilte, otsides Ia tüüpi supernoovade võimalikke tuvastamisi. Need võimsad plahvatused leiavad aset binaarses tähesüsteemis, kus üks täht on valge kääbus, mis akroteerib kaastähest pärit materjali kuni kriitilise massi saavutamiseni ja plahvatab Ia tüüpi supernoovas.
"Need plahvatused on tähelepanuväärsed, kuna neid saab kasutada kosmilise kauguse indikaatoritena täpsusega 3–10 protsenti," ütleb Goldstein.
Kaugus on oluline, kuna mida kaugemal objekt asub ruumis, seda kaugemale ajas ta jõuab. Jälgides Ia tüüpi supernoove erinevatel kaugustel, saavad teadlased mõõta kosmilist laienemist kogu universumi ajaloo vältel. See võimaldab neil seada piiranguid sellele, kui kiiresti universum laieneb, ja võib-olla isegi pakkuda muid vihjeid tumeda energia olemuse kohta.
"Teaduslikult on see tõeliselt põnev aeg, sest mitmed rühmad kogu maailmas üritavad Ia tüüpi supernoovasid täpselt mõõta, et piirata ja mõista tumedat energiat, mis universumi kiirendatud paisumist juhib," ütleb Goldstein, kes on ka tudeng teadur Berkeley Labi arvutusliku kosmoloogia keskuses (C3).
DES alustab Ia tüüpi plahvatuste otsimist, avastades muutused öises taevas, kus saab alguse DES supernoova töörühma teadlaste välja töötatud ja rakendatud kujutise lahutamise torujuhtme. Torustik lahutab uutest piltidest pilte, mis sisaldavad teadaolevaid kosmilisi objekte. mida eksponeeritakse öösel CTIO-s.
Igal õhtul toodab gaasijuhe vahemikus 10 000 kuni paarsada tuhat supernoova kandidaatide tuvastamist, mis tuleb kinnitada.
„Ajalooliselt istusid koolitatud astronoomid tundide kaupa arvuti taga, vaatasid neid punkte ja pakkusid arvamust, kas neil olid supernoova omadused või kas need olid põhjustatud võltsmõjudest, mis maskeeruvad andmetes supernoovadeks. See protsess näib lihtne, kuni mõistate, et igal õhtul tuleb klassifitseerida kandidaate liiga palju ja ainult üks mõnesajast on tõeline mis tahes tüüpi supernoova, ”ütleb Goldstein. „See protsess on äärmiselt tüütu ja aeganõudev. Samuti avaldab see supernoova töörühmale suurt survet andmete kiireks töötlemiseks ja skannimiseks, mis on raske töö. ”
Kandidaatide kontrollimise lihtsustamiseks töötas Goldstein välja koodi, mis kasutab masinõppe tehnikat „Random Forest“ supernoovakandidaatide tuvastamise kontrollimiseks automaatselt ja reaalajas, et neid optimeerida DES-i jaoks. Selle tehnika puhul kasutatakse otsustuspuude komplekti, et automaatselt esitada küsimusi, mida astronoomid tavaliselt supernova kandidaatide klassifitseerimisel arvestaksid.
Protsessi lõpus antakse igale kandidaadi tuvastamisele skoor, mis põhineb otsustuspuude osakaalul, mis pidasid teda supernoova tuvastamise tunnuseks. Mida lähemal klassifikatsiooniskoor on ühele, seda tugevam on kandidaat. Goldstein märgib, et eelkatsetes saavutas klassifitseerimise torujuhtme üldine täpsus 96 protsenti.
"Ainuüksi lahutamisega saate liiga palju" valepositiivseid "- instrumentaalseid või tarkvaralisi esemeid, mis kuvatakse potentsiaalsete supernoovakandidaatidena -, et inimesed saaksid läbi sõita," ütleb Rollin Thomas Berkeley Labi C3-st, kes oli Goldsteini kaastöötaja.
Ta märgib, et klassifikaatori abil saavad teadlased supernoovakandidaatidest pärit esemeid kiiresti ja täpselt eraldada. "See tähendab, et selle asemel, et supernoova töörühmas oleks 20 teadlast, kes sõidavad igal õhtul pidevalt tuhandete kandidaatide vahel, võite lihtsalt nimetada ühe inimese, kes vaataks võib-olla paarsada tugevat kandidaati," ütleb Thomas. "See kiirendab märkimisväärselt meie töövoogu ja võimaldab meil reaalajas tuvastada supernoovad, mis on järelvaatluste tegemisel ülioluline."
"Kasutades superarvutis umbes 60 südamikku, saame umbes 20 minutiga klassifitseerida 200 000 tuvastust, sealhulgas andmebaasi koostoimimise ja funktsioonide eraldamise aeg." ütleb Goldstein.
Goldstein ja Thomas märgivad, et selle töö järgmine samm on masinaõppe teise taseme lisamine torujuhtmele, et parandada klassifitseerimise täpsust. See lisakiht arvestaks objekti varasemates vaatlustes klassifitseerimisega, kuna see määrab tõenäosuse, et kandidaat on “reaalne”. Teadlased ja nende kolleegid töötavad selle võime saavutamiseks praegu välja erinevaid lähenemisviise.
