Sedikit latar belakang
Astronomi adalah ilmu yang mempelajari benda-benda langit: bintang, galaksi, atau lubang hitam. Studi tentang benda-benda langit ini menyerupai pekerjaan di laboratorium "fisika alam". Proses alam yang paling luar biasa dan ekstrim terjadi di dalamnya, yang sebagian besar tidak dapat diulangi di Bumi. Pengamatan proses ini memungkinkan kita untuk memperoleh pemahaman yang lebih dalam tentang dunia, memeriksa pengetahuan yang ada tentang fisika, membandingkan ide-ide yang sudah mapan dengan apa yang kita amati di alam semesta.
Ada jenis peristiwa khusus yang sangat menarik bagi para astronom. Itu terjadi pada akhir kehidupan bintang masif. Mereka terdiri dari hidrogen, yang ditarik ke pusat oleh gravitasi. Dan ketika kerapatannya cukup tinggi, atom hidrogen mulai bergabung. Hal ini menyebabkan munculnya cahaya dan munculnya unsur kimia baru: helium, karbon, oksigen, neon, dll. Proses penggabungan terjadi di bawah tekanan internal, sedangkan gravitasi menggunakan tekanan eksternal, dengan demikian menjaga stabilitas bintang saat terbakar. Semakin masif bintangnya, semakin tinggi suhu mencapai intinya, dan semakin cepat ia membakar bahan bakar nuklir.
Secara bertahap, proses sintesis beralih ke elemen yang lebih berat: ke magnesium, silikon, sulfur, akhirnya menjadi besi, kobalt, dan nikel. Sintesis elemen selanjutnya akan membutuhkan lebih banyak energi daripada yang dilepaskan selama reaksi, sehingga inti tersebut runtuh dan ledakan supernova terjadi.
Nebula Kepiting , Sisa Supernova
Proses ini sangat penting bagi para astronom. Karena kondisi ekstrim selama ledakan, para astronom dapat mengamati sintesis unsur-unsur berat, memeriksa perilaku materi di bawah tekanan dan suhu yang kuat, dan mengamati produk ledakan, yang dapat berupa bintang neutron atau lubang hitam.
Supernova juga bisa digunakan sebagai lilin standar. Masalah umum dalam astronomi: mengukur jarak ke benda langit. Karena bintang sangat jauh dari Bumi, sulit untuk menentukan apakah sebuah bintang redup dan dekat dengan kita, atau sangat jauh dan sangat terang. Kebanyakan ledakan supernova di alam semesta terjadi dengan cara yang sama, itulah sebabnya para astronom menggunakan supernova untuk mengukur jarak, yang penting saat mempelajari, misalnya, perluasan alam semesta dan energi gelap .
Terlepas dari kenyataan bahwa ledakan supernova sangat terang, namun sulit untuk diketahui karena jaraknya dari Bumi, karena frekuensi kemunculannya yang rendah (sekitar satu supernova per galaksi per abad) dan sifat ledakan jangka pendek, yang dapat berlangsung dari beberapa hari hingga beberapa hari. minggu. Selain itu, untuk mendapatkan informasi yang berguna dari supernova, perlu disiapkan spektograf (digunakan untuk mengukur energi yang dipancarkan selama ledakan di beberapa frekuensi). Baik juga untuk mulai mengamati bintang sebelumnya, karena banyak proses fisik yang menarik terjadi dalam beberapa jam setelah ledakan. Sekarang tanyakan pada diri Anda sebuah pertanyaan: bagaimana kita dapat dengan cepat menemukan ledakan supernova ini di antara semua objek astronomi yang dapat diamati di alam semesta?
Astronomi hari ini
Beberapa dekade yang lalu, seorang astronom harus memilih objek tertentu dan mengarahkan teleskop padanya untuk mendapatkan informasi yang dibutuhkannya. Teleskop modern seperti Zwicky Transient Facility (ZTF) atau Observatorium Vera Rubin menangkap gambar langit berkualitas tinggi dengan kecepatan sangat tinggi, mengumpulkan data di langit yang terlihat setiap tiga hari. Teleskop ZTF menghasilkan 1,4 TB data per malam, mengidentifikasi dan mengirim informasi tentang objek perubahan yang menarik di langit secara real time.
Ketika sesuatu berubah kecerahannya, teleskop "pintar" akan melihatnya dan mengirimkan peringatan. Peringatan dilakukan dengan mengirimkan aliran data di mana setiap pesan terdiri dari tiga gambar yang dipotong 63-kali-63-piksel. Ketiga gambar ini disebut ilmiah, referensi, dan diferensial.
File gambar ilmiah adalah pengamatan terbaru dari suatu area tertentu. Dengan referensi - apa yang ada di awal pengamatan. Segala sesuatu yang berubah antara gambar pertama dan kedua dapat dilihat pada perbedaan ketiga. Teleskop terkenal itu mengirimkan hingga satu juta peringatan per malam, tetapi lebih sering beberapa ribu. Misalkan seseorang ingin memeriksa setiap peringatan secara manual, akan membutuhkan waktu sekitar 3,5 hari untuk melihat semua notifikasi dalam satu malam.
Gambar ilmiah, referensi dan perbedaan. Dilengkapi dengan data penting lainnya, seperti kondisi observasi dan informasi tentang objek. Gambar keempat adalah versi warna dari PanSTARRS menggunakan Aladin Sky Atlas . Anda dapat melihat evolusi lengkap kecerahan supernova dari waktu ke waktu di antarmuka ALeRCE .
Karena peringatan ini mengkomunikasikan segala sesuatu yang berubah di langit, penting untuk dapat mendeteksi supernova di antara seluruh aliran informasi yang dihasilkan oleh teleskop. Masalahnya, objek astronomi lain juga bisa memicu peringatan. Misalnya, bintang variabel mengubah kecerahannya, inti galaksi aktif, asteroid. Peringatan palsu juga terjadi. Untungnya, gambar ilmiah, referensi, dan perbedaan memiliki sejumlah fitur khusus yang membantu menentukan apa yang dibicarakan peringatan tentang supernova atau objek lain. Dan akan sangat bagus untuk mempelajari cara membedakan secara efektif antara kelas utama lansiran.
Lima kelas objek astronomi
Jadi, inti galaksi aktif biasanya terletak di pusat galaksi. Supernova biasanya berasal dari dekat galaksi induk. Asteroid diamati di dekat tata surya dan tidak terlihat pada gambar referensi. Bintang variabel ditemukan dalam gambar yang dipenuhi bintang lain karena sebagian besar ditemukan di dalam Bima Sakti. Peringatan palsu muncul karena berbagai alasan: kurangnya piksel di kamera teleskop, pengurangan yang buruk saat membuat gambar diferensial, sinar kosmik, dll. Seperti yang saya katakan sebelumnya, tidak mungkin bagi manusia untuk memeriksa setiap peringatan secara manual. Oleh karena itu, diperlukan cara otomatis untuk mengklasifikasikannya agar para astronom dapat menemukan data yang paling menarik, yang kemungkinan besar berisi informasi tentang supernova.
Telusuri supernova menggunakan jaringan saraf
Karena kami secara kasar memahami perbedaan antara gambar dari lima kelas yang disebutkan di atas, kami dapat mencoba menghitung fitur tertentu untuk mengklasifikasikannya dengan benar. Namun, pekerjaan manual itu sulit dan membutuhkan waktu trial and error yang lama. Oleh karena itu, diputuskan untuk melatih jaringan saraf konvolusional (CNN) untuk memecahkan masalah klasifikasi dan mendeteksi supernova dengan cepat.
Memastikan invariansi jaringan neural dicapai dengan membuat salinan yang dirotasi dari setiap gambar dalam set pelatihan sebesar 90 °, setelah itu nilai rata-rata dari setiap versi gambar yang dirotasi dimuat. Penggunaan invarian penting karena tidak ada orientasi khusus di mana struktur dapat muncul dalam gambar yang dikirim dalam peringatan.
Ilmuwan juga menambahkan beberapa metadata yang terkandung dalam peringatan tersebut, seperti posisi di koordinat langit, jarak ke objek lain yang diketahui, dan metrik kondisi atmosfer. Setelah melatih model menggunakan cross-entropy, probabilitas peringatan berisi informasi tentang supernova terkonsentrasi di sekitar nilai 0 atau 1. Benar, pengklasifikasi terkadang membuat kesalahan dalam kelas yang diprediksi. Sangat tidak nyaman bahwa peneliti harus memfilter tambahan data pada kemungkinan supernova setelah komputer membuat prediksi.
Untuk memaksimalkan entropi ramalan dan mendistribusikan nilai probabilitas keluaran, para ilmuwan menambahkan informasi tambahan ke jaringan saraf. Hal ini memungkinkan untuk meningkatkan detail atau kejelasan prakiraan, memperoleh probabilitas di seluruh rentang dari 0 hingga 1, dan bukan hanya nilai ekstrem dari indikator ini. Hasilnya adalah prediksi yang jauh lebih mudah ditafsirkan, memungkinkan astronom untuk memilih kandidat supernova yang layak.
Jaringan saraf konvolusional dengan peningkatan invariansi rotasi. Salinan yang dirotasi dibuat dan diteruskan ke arsitektur jaringan neural yang sama untuk kemudian menerapkan kumpulan tengah dalam lapisan padat sebelum menggabungkan dengan metadata.
Para ilmuwan melewati jaringan saraf sekitar 400.000 objek, didistribusikan secara merata di ruang angkasa di seluruh cakupan teleskop ZTF, sebagai pemeriksaan atas kebenaran prediksi model. Ternyata setiap kelas yang diprediksi oleh jaringan saraf tersebar secara spasial. Ini masuk akal jika Anda mempertimbangkan sifat setiap objek astronomi. Misalnya, inti galaksi aktif dan supernova sebagian besar berada di luar bidang Bima Sakti (objek ekstragalaktik), karena tidak mungkin objek lebih jauh dapat dilihat melalui bidang Bima Sakti karena oklusi. Model tersebut dengan tepat memprediksi lebih sedikit objek di dekat bidang Bima Sakti (garis lintang galaksi yang mendekati 0). Bintang variabel terdeteksi dengan benar dengan kepadatan yang lebih tinggi di bidang galaksi. Asteroid terletak di dekat bidang tata surya,juga disebut ekliptika (ditandai dengan garis kuning). Dan peringatan palsu terjadi di mana-mana.
Informasi dalam gambar (ilmiah, referensi, dan perbedaan) cukup untuk mendapatkan klasifikasi yang baik dalam set pelatihan, tetapi integrasi informasi dari metadata sangat penting untuk mendapatkan distribusi spasial prediksi yang benar.
Distribusi spasial dari sekumpulan objek astronomi tanpa tanda. Setiap grafik diberikan dalam koordinat galaksi. Lintang galaksi berada di pusat Bima Sakti, sehingga garis lintang yang mendekati 0 juga lebih dekat dengan bidang Bima Sakti. Garis bujur galaksi menunjukkan seberapa banyak cakram yang kita lihat di bidang Bima Sakti. Garis kuning melambangkan bidang tata surya (ekliptika).
Pemburu supernova
Antarmuka web proyek Supernova Hunter yang dihasilkan memungkinkan para astronom mempelajari objek yang dipilih oleh jaringan saraf, yakin bahwa mereka adalah supernova. Mereka juga dapat melaporkan kesalahan klasifikasi yang dibuat oleh model, yang memungkinkan informasi baru ditambahkan ke set pelatihan untuk meningkatkan kinerja jaringan saraf nanti.
Supernova Hunter : Antarmuka pengguna untuk meneliti kandidat supernova. Ini menunjukkan daftar peringatan dengan kemungkinan informasi supernova yang tinggi. Untuk masing-masing gambar, posisi objek dan metadata ditambahkan.
Pengklasifikasi jaringan saraf dan Supernova Hunter mengonfirmasi 394 supernova dan melaporkan 3.060 kandidat supernova di Server Nama SementaraDari 26 Juni 2019 hingga 21 Juli 2020, rata-rata 9,2 kandidat supernova dirilis per hari. Laju pengamatan ini secara dramatis meningkatkan jumlah supernova yang tersedia yang dapat dipelajari pada tahap awal ledakan.
Perspektif
Sekarang para ilmuwan di balik Supernova Hunter sedang bekerja untuk meningkatkan karakteristik klasifikasi model tersebut sehingga dapat mengidentifikasi kandidat supernova dengan lebih akurat dan membutuhkan lebih sedikit perhatian manusia. Idealnya, ini harus menjadi sistem yang secara otomatis dapat melaporkan setiap kandidat supernova yang mungkin dengan tingkat kepercayaan yang tinggi.
Area kerja ilmuwan lainnya adalah pencarian objek langka menggunakan metode deteksi outlier. Ini adalah tugas yang menantang tetapi realistis, karena teleskop baru secara teoritis dapat menemukan jenis objek astronomi baru karena tingkat pengambilan sampel dan skala yang luar biasa dari setiap pengamatan.
Cara baru untuk menganalisis data astronomi dalam jumlah besar tidak hanya berguna, tetapi juga diperlukan, karena mengatur klasifikasi dan redistribusi data adalah bagian penting dari sains. Penggunaan teleskop canggih saat ini secara fundamental mengubah cara para astronom mempelajari benda-benda langit, dan para ilmuwan harus siap bekerja dengan teknologi baru.
Terima kasih atas perhatian Anda! Artikel asli .