Top thingy left
 
APRENDIZAGEM DE MÁQUINA CLASSIFICA AUTOMATICAMENTE 1000 SUPERNOVAS
25 de novembro de 2022

 


A posição, no céu, das supernovas classificadas automaticamente pelo SNIascore.
Crédito: Caltech

 

As instalações astronómicas de hoje varrem o céu noturno cada vez mais profunda e rapidamente do que nunca. A identificação e classificação de eventos cósmicos conhecidos e potencialmente interessantes está a tornar-se impossível para um ou um grupo de astrónomos. Portanto, cada vez mais treinam computadores para fazer o trabalho por eles. Os astrónomos da colaboração ZTF (Zwicky Transient Facility) no Caltech anunciaram que o seu algoritmo de aprendizagem de máquina já classificou e relatou 1000 supernovas de forma completamente autónoma.

"Precisávamos de uma ajuda e sabíamos que uma vez que treinássemos os nossos computadores para fazer o trabalho, eles iriam tirar-nos uma grande carga das costas", diz Christoffer Fremling, astrónomo do Caltech e o cérebro por trás do novo algoritmo, apelidado de SNIascore. "O SNIascore classificou a sua primeira supernova em abril de 2021 e um ano e meio depois estamos a atingir um belo marco de 1000 supernovas sem qualquer envolvimento humano".

Muitas das questões científicas atuais e mais excitantes que os astrónomos estão a tentar responder exigem que eles recolham grandes amostras de diferentes eventos cósmicos. Como resultado, os observatórios astronómicos modernos tornaram-se incansáveis máquinas geradoras de dados que lançam dezenas de milhares de alertas e imagens aos astrónomos todas as noites. Isto é particularmente verdade no campo da astronomia no domínio do tempo, em que os investigadores procuram objetos em rápida mudança, ou transientes, tais como estrelas em explosão ou moribundas conhecidas como supernovas, buracos negros que comem estrelas em órbita, asteroides e muito mais.

"A noção tradicional de um astrónomo sentado no observatório a 'peneirar' imagens telescópicas carrega muito romanticismo, mas está a afastar-se da realidade", diz Matthew Graham, cientista do projeto ZTF do Caltech.

Para além de libertar tempo para os astrónomos perseguirem outras questões científicas, o algoritmo de aprendizagem de máquina é muito mais rápido na classificação de potenciais candidatos a supernova e a partilhar os resultados com a comunidade astronómica. Com o SNIascore o processo é encurtado de 2-3 dias para 10 minutos, ou quase em tempo real. Esta identificação precoce de explosões cósmicas é muitas vezes crítica para melhor estudar a sua física.

"O SNIascore situa-se em cima de outros algoritmos de aprendizagem de máquina e camadas subjacentes que desenvolvemos para o ZTF, e demonstra bem como as aplicações de aprendizagem de máquina estão a amadurecer na astronomia quase em tempo real", diz Ashish Mahabal, cientista computacional do CD3 (Center for Data-Driven Discovery) do Caltech, que lidera as atividades de aprendizagem de máquina para o ZTF.

Por agora, o SNIascore só pode classificar o que é conhecido como supernovas do Tipo Ia, ou as "velas padrão" utilizadas pelos astrónomos para medir o ritmo de expansão do Universo. Estas são estrelas moribundas que explodem numa explosão termonuclear de força consistente. No entanto, Christoffer e colegas estão a trabalhar arduamente na ampliação das capacidades do algoritmo para classificar outros tipos de supernovas num futuro próximo.

O SNIascore está atualmente adaptado para trabalhar com o espectrógrafo SEDM (Spectral Energy Distribution Machine), alojado numa cúpula a apenas algumas centenas de metros de distância da câmara ZTF no Observatório Palomar. O ZTF varre continuamente o céu e envia todas as noites centenas de milhares de alertas de potenciais transientes cósmicos a astrónomos de todo o mundo. O espectrógrafo SEDM é acionado para acompanhar e observar os mais promissores. Produz um espectro do evento cósmico que transporta informação sobre a intensidade das várias frequências da luz captada pela câmara do telescópio. Este espectro é o que pode dizer definitivamente aos astrónomos que tipo de evento está a ser observado. Utilizando técnicas inteligentes de aprendizagem de máquina, a equipa de Christoffer treinou o SNIascore para ler os espectros de SEDM de forma notável.

"O SNIascore é incrivelmente preciso. Depois de 1000 supernovas, vimos como o algoritmo funciona no 'mundo real' e não tivemos uma classificação claramente errada desde o seu lançamento em abril de 2021. Isto dá-nos a confiança para avançar e implementar o mesmo algoritmo noutras instalações de observação", acrescentou Fremling.

Ele e colegas estão atualmente a adaptar o SNIascore para trabalhar com o próximo espectrógrafo SEDMv2 montado no telescópio de 2,1 metros no Observatório Kitt Peak no estado norte-americano do Arizona. O SEDMv2 será a versão avançada do SEDM e permitirá a deteção e classificação de supernovas mais fracas. Atualmente, o SNIascore classifica em média duas supernovas por noite. Com o SEDMv2 este número pode potencialmente duplicar.

As vantagens do SNIascore vão além da construção rápida e fiável de grandes conjuntos de dados de supernovas. Os astrónomos que procuram outros eventos transientes podem agora rapidamente excluir candidatos classificados pelo SNIascore como supernovas, de tal forma que não se desperdiça tempo de telescópio a segui-los quando o alvo são efetivamente outros tipos de explosões cósmicas.

Outros esforços de classificação de eventos transientes também usam aprendizagem de máquina, mas dependem apenas da chamada "curva de luz" do evento ou da quantidade de luz vista pelo telescópio como uma evolução do tempo. O SNIascore tem a vantagem de ter sido treinado a utilizar informação espectroscópica, a única forma robusta de confirmar a natureza da maioria dos fenómenos transientes. O algoritmo é de código aberto e outros grupos podem adaptá-lo às suas próprias instalações telescópicas.

"A parte mais desafiante na implementação do SNIascore foi o treino do algoritmo. Foi necessário que os humanos verificassem cuidadosamente as imagens e construíssem um impecável conjunto de dados de treino. Depois de 1000 supernovas classificadas automaticamente, olhando para trás, penso que valeu inteiramente a pena o esforço", diz Fremling.

O SNIascore foi desenvolvido como parte do BTS (Bright Transient Survey) do ZTF - atualmente, o maior levantamento de supernovas disponível para a comunidade astronómica. Todo o conjunto de dados BTS tem perto de 7000 supernovas, 90% das quais foram descobertas e classificadas pelo ZTF (10% foram contribuições de outros grupos e instalações).

"A nossa ambição é continuar a fazer crescer o conjunto de dados BTS com a ajuda do SNIascore para, no futuro, construir a mais compreensiva amostra de supernovas que os astrónomos podem utilizar para responder a questões fundamentais da cosmologia, tais como a rapidez com que o Universo se está a expandir e para mapear potencialmente a distribuição de matéria escura e a estrutura em grande escala do Universo", acrescentou Fremling.

 

 

 


O ZTF "varre" o céu usando uma câmara de campo largo de última geração acoplada no telescópio Samuel Oschin no Observatório Palomar, no sul do estado norte-americano da Califórnia.
Crédito: Observatório Palomar/Caltech


// ZTF (comunicado de imprensa)
// Caltech (comunicado de imprensa)
// Artigo científico original do SNIascore (arXiv.org)

Saiba mais

ZTF:
Caltech
ipac
Wikipedia
Espectrógrafo SEDM (ZTF)

BTS (Bright Transient Survey):
Caltech

Supernovas:
Wikipedia 
Tipo Ia (Wikipedia)

 
Top Thingy Right