1900-luvun alusta lähtien tutkijoille ja fyysikoille on ollut velvollisuus selittää kuinka ja miksi maailmankaikkeus näyttää kasvavan kiihtyvällä nopeudella. Sen lisäksi, että tämä energia on vastuussa kosmisesta kiihtyvyydestä, sen ajatellaan myös olevan 68,3% maailmankaikkeuden näkymättömästä massasta.
Aivan kuten tumma aine, tämän näkymättömän voiman olemassaolo perustuu havaittaviin ilmiöihin ja koska se sattuu sopimaan nykyisiin kosmologiamalleihimme, ei suorana todisteena. Sen sijaan tutkijoiden on luottava epäsuoriin havaintoihin tarkkailemalla kuinka nopeasti kosmiset esineet (erityisesti tyypin Ia supernoovat) katoavat meiltä maailmankaikkeuden laajentuessa.
Tämä prosessi olisi erittäin työläs tutkijoille - kuten Dark Energy Survey (DES) -työn parissa työskenteleville - elleivät ne olisivat Lawrence Berkeleyn kansallisen laboratorion ja UC Berkeleyn tutkijoiden yhteistyössä kehittämiä uusia algoritmeja.
"Algoritmiamme voi luokitella supernovaehdokkaan havaitsemisen noin 0,01 sekunnissa, kun taas kokenut ihmisen skanneri voi viedä useita sekunteja", kertoi UC Berkeleyn jatko-opiskelija Danny Goldstein, joka kehitti koodin automatisoidaksesi supernoovan löytämisprosessin DES-kuvissa. .
Tällä hetkellä toisen kauden aikana DES ottaa öisin kuvia eteläisestä taivaasta DECamilla - 570 megapikselin kameralla, joka asennetaan Victor M. Blancon kaukoputkeen Cerro Tololo Interamerican Observatoryssa (CTIO) Chilen Andeilla. Joka ilta kamera tuottaa 100 gigatavua (Gt) - 1 teratavu (TB) kuvatietoa, joka lähetetään NCSA: n kansalliselle keskusyksikölle ja DOE: n Fermilabille Illinoisissa alustavaa käsittelyä ja arkistointia varten.
Objektintunnistusohjelmat, jotka on kehitetty Kansallisessa energiatutkimuksen tieteellisessä laskentakeskuksessa (NERSC) ja toteutettu NCSA: ssa, kampaavat sitten kuvia läpi etsien mahdollisia tyypin Ia supernoovia. Nämä voimakkaat räjähdykset tapahtuvat binaarisissa tähtijärjestelmissä, joissa yksi tähti on valkoinen kääpiö, joka kerää materiaalia seuratähdeltä, kunnes se saavuttaa kriittisen massan ja räjähtää tyypin Ia supernoovassa.
"Nämä räjähdykset ovat merkittäviä, koska niitä voidaan käyttää kosmisen etäisyyden osoittimina 3 - 10 prosentin tarkkuudella", Goldstein sanoo.
Etäisyys on tärkeä, koska mitä kauempana kohde sijaitsee avaruudessa, sitä kauempana ajassa se on. Seuraamalla tyypin Ia supernoovia eri etäisyyksillä tutkijat voivat mitata kosmisen laajentumisen maailmankaikkeuden historian aikana. Tämän avulla he voivat asettaa rajoituksia kuinka nopeasti maailmankaikkeus kasvaa ja ehkä jopa antaa muita vihjeitä tumman energian luonteesta.
"Tieteellisesti se on todella jännittävä aika, koska useat ryhmät ympäri maailmaa yrittävät mitata tarkasti tyypin Ia supernoovia voidakseen rajoittaa ja ymmärtää tummaa energiaa, joka ajaa maailmankaikkeuden kiihtyvää laajentumista", sanoo Goldstein, joka on myös opiskelija tutkija Berkeley Labin laskennallisessa kosmologiakeskuksessa (C3).
DES aloittaa tyypin Ia räjähdysten etsimisen paljastamalla muutokset yötaivaalla. Sieltä tulee DES-supernovan työryhmän tutkijoiden kehittämä ja toteuttama kuvanvähennysputki. Putkilinja vähentää uusista kuvista kuvat, jotka sisältävät tunnetut kosmiset kohteet. jotka altistetaan öisin CTIO: lla.
Joka ilta putkilinja tuottaa välillä 10 000 - muutama sata tuhatta supernovaehdokasta, jotka on validoitava.
”Historiallisesti koulutetut tähtitieteilijät istuisivat tuntikausia tietokoneen ääressä, katsoisivat näitä pisteitä ja tarjoaisivat mielipiteitä siitä, olisiko niillä supernovan ominaisuuksia vai aiheuttivatko ne vääriä vaikutuksia, jotka naamioituvat tietoihin supernovoiksi. Tämä prosessi vaikuttaa yksinkertaiselta, kunnes huomaat, että ehdokkaiden lukumäärä, joka on luokiteltava joka ilta, on kohtuuttoman suuri ja vain yksi muutamasta sadasta on todellinen minkään tyyppinen supernova ”, Goldstein sanoo. ”Tämä prosessi on erittäin työläs ja aikaa vievä. Se asettaa myös paljon paineita supernovan työryhmälle tietojen käsittelemiseksi ja skannaamiseksi nopeasti, mikä on kovaa työtä. "
Ehdokkaiden tarkistamisen helpottamiseksi Goldstein kehitti koodin, joka käyttää koneen oppimistekniikkaa ”Random Forest” supernovaehdokkaiden havaitsemiseen automaattisesti ja reaaliajassa niiden optimoimiseksi DES: lle. Tekniikassa käytetään päätöksentekopuistoja, jotta voidaan automaattisesti kysyä, millaisia kysymyksiä tähtitieteilijät yleensä katsovat luokitteleessaan supernovaehdokkaita.
Prosessin lopussa jokaiselle ehdokkaan havainnolle annetaan pisteytys sen päätöksentekopuiden osuuden perusteella, joiden mielestä sillä oli supernoovan havaitsemisominaisuuksia. Mitä lähempänä luokituspistettä on yksi, sitä vahvempi ehdokas on. Goldstein toteaa, että alustavissa testeissä luokitteluputki saavutti 96 prosentin kokonaistarkkuuden.
"Kun teet vähennyksen yksin, saat aivan liian paljon" vääriä positiivisia "- instrumenttisia tai ohjelmistoesineitä, jotka näkyvät potentiaalisina supernovaehdokkaina - ihmisille, jotka voivat seuloa läpi", sanoo Rollin Thomas, Berkeley Labin C3, joka oli Goldsteinin yhteistyökumppani.
Hän huomauttaa, että luokittelijan avulla tutkijat voivat nopeasti ja tarkasti erottaa esineet supernovaehdokkaista. "Tämä tarkoittaa, että sen sijaan, että supernovatyöryhmässä olisi 20 tutkijaa, jotka seulottavat jatkuvasti tuhansia ehdokkaita joka ilta, voit vain nimittää yhden henkilön tarkastelemaan ehkä muutamaa sataa vahvaa ehdokasta", Thomas sanoo. "Tämä nopeuttaa merkittävästi työnkulkuamme ja antaa meille mahdollisuuden tunnistaa supernovat reaaliajassa, mikä on välttämätöntä seurantahavaintojen suorittamisessa."
"Käyttämällä noin 60 ydintä supertietokoneessa, voimme luokitella 200 000 havaintaa noin 20 minuutissa, mukaan lukien aika tietokannan vuorovaikutukselle ja ominaisuuksien purkamiselle." sanoo Goldstein.
Goldstein ja Thomas huomauttavat, että seuraava askel tässä työssä on lisätä toisen tason koneoppiminen putkilinjaan luokituksen tarkkuuden parantamiseksi. Tämä ylimääräinen kerros ottaisi huomioon sen, miten kohde luokiteltiin aiemmissa havainnoissa, koska se määrittää todennäköisyyden, että ehdokas on ”todellinen”. Tutkijat ja heidän kollegansa työskentelevät parhaillaan erilaisilla lähestymistavoilla tämän kyvyn saavuttamiseksi.
