С начала 20-го века ученые и физики были обременены объяснением того, как и почему Вселенная, кажется, расширяется с ускоряющейся скоростью. В дополнение к ответственности за космическое ускорение считается, что эта энергия также составляет 68,3% невидимой массы Вселенной.
Как и в случае с темной материей, существование этой невидимой силы основано на наблюдаемых явлениях и потому, что она соответствует нашим нынешним моделям космологии, а не прямым доказательствам. Вместо этого ученые должны полагаться на косвенные наблюдения, наблюдая, как быстро космические объекты (в частности, сверхновые типа Ia) удаляются от нас по мере расширения Вселенной.
Этот процесс был бы чрезвычайно утомительным для ученых - таких, как те, кто работает в Обзоре темной энергии (DES) - если бы не новые алгоритмы, разработанные совместно исследователями из Национальной лаборатории Лоуренса в Беркли и Калифорнийского университета в Беркли.
«Наш алгоритм может классифицировать обнаружение кандидата на сверхновую примерно за 0,01 секунды, тогда как опытный человеческий сканер может занять несколько секунд», - сказал Дэнни Голдштейн, аспирант Калифорнийского университета в Беркли, который разработал код для автоматизации процесса обнаружения сверхновой на изображениях DES. ,
В настоящее время во втором сезоне DES делает ночные снимки Южного неба с помощью DECam - 570-мегапиксельной камеры, которая установлена на телескопе Виктора М. Бланко в Межамериканской обсерватории Серро-Тололо (CTIO) в чилийских Андах. Каждую ночь камера генерирует от 100 гигабайт (ГБ) до 1 терабайта (ТБ) графических данных, которые отправляются в Национальный центр суперкомпьютерных приложений (NCSA) и Фермилаб из Министерства энергетики США в Иллинойсе для начальной обработки и архивирования.
Программы распознавания объектов, разработанные в Национальном научно-вычислительном центре энергетики (NERSC) и реализованные в NCSA, затем прочесывают изображения в поисках возможных обнаружений сверхновых типа Ia. Эти мощные взрывы происходят в двойных звездных системах, где одна звезда является белым карликом, который накапливает материал от звезды-компаньона, пока не достигнет критической массы и не взорвется в сверхновой типа Ia.
«Эти взрывы замечательны тем, что их можно использовать в качестве индикаторов космического расстояния с точностью до 3-10 процентов», - говорит Гольдштейн.
Расстояние важно, потому что чем дальше объект находится в пространстве, тем больше времени назад. Отслеживая сверхновые типа Ia на разных расстояниях, исследователи могут измерять космическое расширение на протяжении всей истории Вселенной. Это позволяет им наложить ограничения на скорость расширения вселенной и, возможно, даже дать другие подсказки о природе темной энергии.
«С научной точки зрения это действительно захватывающее время, потому что несколько групп по всему миру пытаются точно измерить сверхновые типа Ia, чтобы ограничить и понять темную энергию, которая движет ускоренным расширением вселенной», - говорит Гольдштейн, который также является студентом исследователь в Центре вычислительной космологии лаборатории Беркли (C3).
DES начинает поиск взрывов типа Ia, обнаруживая изменения в ночном небе, в которые входит конвейер вычитания изображений, разработанный и внедренный исследователями в рабочей группе по сверхновым DES. Конвейер вычитает изображения, содержащие известные космические объекты, из новых изображений. которые выставляются ночью в CTIO.
Каждую ночь конвейер производит от 10000 до нескольких сотен тысяч обнаружений кандидатов на сверхновые, которые необходимо проверить.
«Исторически сложилось так, что обученные астрономы часами сидели за компьютером, смотрели на эти точки и предлагали мнения о том, обладают ли они характеристиками сверхновой или были ли они вызваны ложными эффектами, которые маскируются под сверхновые в данных. Этот процесс кажется простым, пока вы не поймете, что число кандидатов, которые должны классифицироваться каждую ночь, непомерно велико, и только один из нескольких сотен является настоящей сверхновой любого типа », - говорит Гольдштейн. «Этот процесс чрезвычайно утомителен и требует много времени. Это также создает большую нагрузку на рабочую группу сверхновых для быстрой обработки и сканирования данных, что является тяжелой работой ».
Чтобы упростить задачу проверки кандидатов, Гольдштейн разработал код, который использует технику машинного обучения «Случайный лес» для автоматической проверки обнаружений кандидатов на сверхновые и в режиме реального времени для их оптимизации для DES. В методике используется множество деревьев решений, чтобы автоматически задавать типы вопросов, которые астрономы обычно рассматривают при классификации кандидатов в сверхновые.
В конце процесса каждому обнаружению кандидата присваивается оценка, основанная на доле деревьев решений, которые считали, что он обладает характеристиками обнаружения сверхновой. Чем ближе балльная оценка к одному, тем сильнее кандидат. Гольдштейн отмечает, что в предварительных испытаниях конвейер классификации достиг 96% общей точности.
«Когда вы делаете вычитание в одиночку, вы получаете слишком много« ложных срабатываний »- инструментальных или программных артефактов, которые выявляются как потенциальные кандидаты на сверхновые, - которые просеивают люди», - говорит Роллин Томас из C3 Berkeley Lab, который был сотрудником Goldstein.
Он отмечает, что с помощью классификатора исследователи могут быстро и точно определить артефакты от кандидатов в сверхновые. «Это означает, что вместо того, чтобы 20 ученых из рабочей группы по сверхновым постоянно непрерывно просеивали тысячи кандидатов каждую ночь, вы можете просто назначить одного человека для просмотра, возможно, нескольких сотен сильных кандидатов», - говорит Томас. «Это значительно ускоряет наш рабочий процесс и позволяет нам определять сверхновые в режиме реального времени, что крайне важно для проведения последующих наблюдений».
«Используя около 60 ядер на суперкомпьютере, мы можем классифицировать 200 000 обнаружений за 20 минут, включая время для взаимодействия с базой данных и извлечения функций». говорит Гольдштейн.
Гольдштейн и Томас отмечают, что следующим шагом в этой работе является добавление второго уровня машинного обучения в конвейер для повышения точности классификации. Этот дополнительный уровень будет учитывать то, как объект был классифицирован в предыдущих наблюдениях, поскольку он определяет вероятность того, что кандидат является «реальным». Исследователи и их коллеги в настоящее время работают над различными подходами для достижения этой возможности.
