Od začiatku 20. storočia sú vedci a fyzici zaťažení vysvetlením toho, ako a prečo sa zdá, že vesmír sa rozširuje zrýchľujúcou sa rýchlosťou. Okrem toho, že je zodpovedná za kozmické zrýchlenie, táto energia tiež predstavuje 68,3% neviditeľnej hmoty vesmíru.
Rovnako ako temná hmota, existencia tejto neviditeľnej sily je založená na pozorovateľných javoch a pretože sa stáva, že je v súlade s našimi súčasnými modelmi kozmológie, a nie s priamym dôkazom. Namiesto toho sa musia vedci spoliehať na nepriame pozorovania a sledovať, ako rýchlo sa vesmírne objekty (konkrétne supernova typu Ia) od nás opúšťajú, keď sa vesmír rozširuje.
Tento proces by bol pre vedcov veľmi náročný - ako pre tých, ktorí pracujú pre prieskum temnej energie (DES) - keby to nebolo pre nové algoritmy vyvinuté v spolupráci výskumníkmi v laboratóriu Lawrence Berkeley National Laboratory a UC Berkeley.
"Náš algoritmus dokáže klasifikovať detekciu kandidáta na supernovu približne za 0,01 sekundy, zatiaľ čo skúsený ľudský skener môže trvať niekoľko sekúnd," uviedol Danny Goldstein, postgraduálny študent UC Berkeley, ktorý vyvinul kód na automatizáciu procesu objavovania supernovy na obrázkoch DES. ,
V súčasnosti, v druhej sezóne, DES vytvára nočné fotografie južnej oblohy s DECam - 570-megapixlovým fotoaparátom, ktorý je namontovaný na ďalekohľade Viktora M. Blanca v medziparlamentnom observatóriu Cerro Tololo (CTIO) v čílskych Andách. Kamera generuje každú noc medzi 100 Gigabajtov (GB) a 1 Terabajt (TB) obrazových údajov, ktoré sa odosielajú do Národného centra pre superpočítačové aplikácie (NCSA) a DOE Fermilab v Illinois na počiatočné spracovanie a archiváciu.
Programy na rozpoznávanie objektov vyvinuté v Národnom výskumnom stredisku pre výskum v oblasti energetiky (NERSC) a implementované v NCSA potom prechádzajú obrázkami pri hľadaní možných detekcií supernov typu Ia. Tieto silné výbuchy sa vyskytujú v binárnych hviezdnych systémoch, kde jedna hviezda je biely trpaslík, ktorý nahromadí materiál od sprievodnej hviezdy, až kým nedosiahne kritickú masu a exploduje v supernove typu Ia.
„Tieto výbuchy sú pozoruhodné, pretože sa dajú použiť ako indikátory kozmickej vzdialenosti s presnosťou 3 až 10 percent,“ hovorí Goldstein.
Vzdialenosť je dôležitá, pretože čím ďalej je objekt umiestnený v priestore, tým viac je späť v čase. Sledovaním supernov typu Ia na rôznych vzdialenostiach môžu vedci merať vesmírnu expanziu v celej histórii vesmíru. Toto im umožňuje obmedzovať rýchlosť rozširovania vesmíru a možno dokonca poskytovať ďalšie informácie o povahe temnej energie.
„Vedecky je to skutočne vzrušujúce obdobie, pretože niekoľko skupín po celom svete sa snaží presne zmerať supernovy typu Ia, aby obmedzilo a pochopilo temnú energiu, ktorá riadi zrýchlené rozširovanie vesmíru,“ hovorí Goldstein, ktorý je tiež študentom výskumný pracovník vo výpočtovom kozmetickom centre Berkeley Lab (C3).
DES začína hľadať explózie typu Ia odhaľovaním zmien na nočnej oblohe, odkiaľ prichádza potrubie na odčítanie obrazov vyvinuté a implementované vedcami v pracovnej skupine DES supernova. Potrubie odpočíta obrázky, ktoré obsahujú známe kozmické objekty od nových obrazov. ktoré sú vystavené každú noc na CTIO.
Ropovod vytvára každú noc medzi 10 000 a niekoľko stotisíc detekciami kandidátov na supernovy, ktoré je potrebné validovať.
„Historicky by trénovaní astronómovia sedeli hodiny pri počítači, pozerali sa na tieto bodky a ponúkali názory, či majú vlastnosti supernovy, alebo či boli spôsobené falošnými efektmi, ktoré sa v údajoch maskujú ako supernovy. Tento proces sa zdá byť jednoduchý, kým si neuvedomíte, že počet kandidátov, ktorí musia byť klasifikovaní každú noc, je neprimerane veľký a iba jeden z mála je skutočnou supernovou akéhokoľvek druhu, “hovorí Goldstein. „Tento proces je veľmi zdĺhavý a časovo náročný. Vyvíja to tiež veľký tlak na pracovnú skupinu supernovy, aby rýchlo spracovala a skenovala údaje, čo je tvrdá práca. ““
Aby sa zjednodušila úloha preverovania kandidátov, Goldstein vyvinul kód, ktorý využíva techniku strojového učenia „Random Forest“ na automatickú kontrolu v reálnom čase na detekciu kandidátov supernovy na ich optimalizáciu pre DES. Táto technika využíva súbor rozhodovacích stromov na automatické kladenie otázok, ktoré by astronómovia typicky zvažovali pri klasifikácii supernovských kandidátov.
Na konci procesu sa každej detekcii kandidáta pridelí skóre založené na zlomku rozhodovacích stromov, ktoré ho považovali za charakteristické pre detekciu supernovy. Čím bližšie je skóre klasifikácie, tým silnejší je kandidát. Goldstein poznamenáva, že v predbežných testoch dosiahol klasifikácia potrubia celkovú presnosť 96 percent.
„Keď odčítate sám, dostanete príliš veľa„ falošne pozitívnych “- inštrumentálnych alebo softvérových artefaktov, ktoré sa zobrazujú ako potenciálni kandidáti na supernovy - na to, aby ich ľudia mohli preosiať,“ hovorí Rollin Thomas z Berkeley Lab's C3, ktorý bol Goldsteinovým spolupracovníkom.
Poznamenáva, že pomocou klasifikátora môžu vedci rýchlo a presne vyťažiť artefakty kandidátov zo supernovy. „To znamená, že namiesto toho, aby dvadsať vedcov z pracovnej skupiny supernov nepretržite prehľadalo tisíce kandidátov každú noc, stačí vymenovať jednu osobu, ktorá sa bude zaoberať možno niekoľkými stovkami silných kandidátov,“ hovorí Thomas. „To výrazne urýchľuje náš pracovný postup a umožňuje nám identifikovať supernovy v reálnom čase, čo je rozhodujúce pre vykonanie následných pozorovaní.“
„Pri použití približne 60 jadier na superpočítači môžeme klasifikovať 200 000 detekcií za približne 20 minút vrátane času na interakciu s databázou a extrakciu funkcií.“ hovorí Goldstein.
Goldstein a Thomas poznamenávajú, že ďalším krokom v tejto práci je pridať do potrubia druhú úroveň strojového učenia s cieľom zlepšiť presnosť klasifikácie. Táto extra vrstva by brala do úvahy, ako bol objekt klasifikovaný v predchádzajúcich pozorovaniach, pretože určuje pravdepodobnosť, že kandidát je „skutočný“. Vedci a ich kolegovia v súčasnosti pracujú na rôznych prístupoch na dosiahnutie tejto schopnosti.
