Od początku XX wieku naukowcy i fizycy są obciążeni wyjaśnianiem, w jaki sposób i dlaczego Wszechświat rozwija się w przyspieszającym tempie. Uważa się, że energia ta oprócz tego, że jest odpowiedzialna za kosmiczne przyspieszenie, stanowi 68,3% niewidzialnej masy wszechświata.
Podobnie jak ciemna materia, istnienie tej niewidzialnej siły opiera się na obserwowalnych zjawiskach i dlatego, że pasuje ona do naszych obecnych modeli kosmologii, a nie bezpośrednich dowodów. Zamiast tego naukowcy muszą polegać na pośrednich obserwacjach, obserwując, jak szybko obiekty kosmiczne (szczególnie supernowe typu Ia) oddalają się od nas w miarę rozszerzania się wszechświata.
Proces ten byłby niezwykle nużący dla naukowców - takich jak ci, którzy pracują dla Dark Energy Survey (DES) - gdyby nie nowe algorytmy opracowane wspólnie przez badaczy z Lawrence Berkeley National Laboratory i UC Berkeley.
„Nasz algorytm może sklasyfikować wykrycie kandydata na supernową w około 0,01 sekundy, podczas gdy doświadczony ludzki skaner może potrwać kilka sekund”, powiedział Danny Goldstein, absolwent UC Berkeley, który opracował kod do automatyzacji procesu wykrywania supernowych na obrazach DES .
Obecnie, podczas drugiego sezonu, DES wykonuje nocne zdjęcia nieba południowego za pomocą DECam - 570-megapikselowego aparatu zamontowanego na teleskopie Victora M. Blanco w Obserwatorium Cerro Tololo (CTIO) w Andach chilijskich. Każdej nocy kamera generuje od 100 gigabajtów (GB) do 1 terabajta (TB) danych obrazowych, które są wysyłane do National Center for Supercomputing Applications (NCSA) i DOE Fermilab w Illinois w celu wstępnego przetwarzania i archiwizacji.
Programy rozpoznawania obiektów opracowane w National Energy Research Scientific Computing Center (NERSC) i wdrożone w NCSA, a następnie przeczesują zdjęcia w poszukiwaniu możliwych wykrytych supernowych typu Ia. Te potężne eksplozje występują w układach podwójnych gwiazd, w których jedna gwiazda jest białym karłem, który wydobywa materiał z gwiazdy towarzyszącej, aż osiągnie masę krytyczną i wybuchnie w supernowej typu Ia.
„Wybuchy te są niezwykłe, ponieważ można je wykorzystać jako kosmiczne wskaźniki odległości z dokładnością do 3–10 procent”, mówi Goldstein.
Odległość jest ważna, ponieważ im dalej obiekt znajduje się w przestrzeni, tym bardziej jest cofnięty w czasie. Śledząc supernowe typu Ia w różnych odległościach, badacze mogą zmierzyć ekspansję kosmiczną w historii wszechświata. To pozwala im nałożyć ograniczenia na szybkość rozszerzania się wszechświata, a może nawet dostarczyć innych wskazówek na temat natury ciemnej energii.
„Naukowo jest to bardzo ekscytujący czas, ponieważ kilka grup na całym świecie próbuje dokładnie zmierzyć supernowe typu Ia, aby ograniczyć i zrozumieć ciemną energię, która napędza przyspieszoną ekspansję wszechświata”, mówi Goldstein, który jest również studentem pracownik naukowy w Computational Cosmology Center (C3) w Berkeley Lab.
DES rozpoczyna poszukiwania eksplozji typu Ia od odkrycia zmian na nocnym niebie, czyli tam, gdzie wkracza rurociąg odejmowania obrazów opracowany i wdrożony przez naukowców z grupy roboczej supernowej DES. Rurociąg odejmuje obrazy zawierające znane obiekty kosmiczne od nowych obrazów które są narażone na noc w CTIO.
Każdej nocy rurociąg produkuje od 10 000 do kilkuset tysięcy detekcji kandydatów na supernowe, które należy zweryfikować.
„Historycznie wyszkoleni astronomowie godzinami siedzieli przy komputerze, patrzyli na te kropki i opiniowali, czy mają cechy supernowej, czy też zostały spowodowane przez fałszywe efekty, które w danych maskują się jako supernowe. Proces ten wydaje się prosty, dopóki nie uświadomisz sobie, że liczba kandydatów, którzy muszą być klasyfikowani każdej nocy, jest wyjątkowo duża, a tylko jedna na kilkaset to prawdziwa supernowa dowolnego typu ”- mówi Goldstein. „Ten proces jest niezwykle żmudny i czasochłonny. Wywiera także duży nacisk na grupę roboczą supernowej, aby szybko przetwarzała i skanowała dane, co jest ciężką pracą. ”
Aby uprościć zadanie sprawdzania kandydatów, Goldstein opracował kod, który wykorzystuje technikę uczenia maszynowego „Losowy las” do automatycznego sprawdzania wykrytych kandydatów na supernowe w czasie rzeczywistym w celu ich optymalizacji pod kątem DES. Technika ta wykorzystuje zestaw drzew decyzyjnych, aby automatycznie zadawać rodzaje pytań, które astronomowie zwykle rozważają podczas klasyfikacji kandydatów na supernowe.
Pod koniec procesu każde wykrycie kandydata otrzymuje ocenę opartą na ułamku drzew decyzyjnych, które uważały, że ma on cechy wykrywania supernowej. Im bliższy jest wynik klasyfikacji, tym silniejszy kandydat. Goldstein zauważa, że we wstępnych testach rurociąg klasyfikacji osiągnął 96-procentową ogólną dokładność.
„Gdy odejmujesz sam, dostajesz o wiele za dużo„ fałszywych trafień ”- artefaktów instrumentalnych lub programowych, które pojawiają się jako potencjalne kandydaci na supernowe - aby ludzie mogli je przesiać - mówi Rollin Thomas z C3 firmy Berkeley Lab, który był współpracownikiem Goldsteina.
Zauważa, że dzięki klasyfikatorowi badacze mogą szybko i dokładnie odciąć artefakty od kandydatów na supernowe. „Oznacza to, że zamiast 20 naukowców z grupy roboczej supernowej stale przesiewających tysiące kandydatów każdej nocy, możesz po prostu wyznaczyć jedną osobę, która popatrzy na kilkuset silnych kandydatów” - mówi Thomas. „To znacznie przyspiesza nasz przepływ pracy i pozwala nam identyfikować supernowe w czasie rzeczywistym, co ma kluczowe znaczenie dla prowadzenia obserwacji następczych.”
„Używając około 60 rdzeni w superkomputerze, możemy sklasyfikować 200 000 detekcji w około 20 minut, w tym czas na interakcję z bazą danych i wyodrębnienie funkcji.” mówi Goldstein.
Goldstein i Thomas zauważają, że następnym krokiem w tej pracy jest dodanie do potoku drugiego poziomu uczenia maszynowego w celu poprawy dokładności klasyfikacji. Ta dodatkowa warstwa uwzględniałaby sposób klasyfikacji obiektu we wcześniejszych obserwacjach, ponieważ określa prawdopodobieństwo, że kandydat jest „rzeczywisty”. Naukowcy i ich koledzy pracują obecnie nad różnymi podejściami do osiągnięcia tej zdolności.
