As instalações astronômicas de hoje escaneiam o céu noturno mais profundamente e mais rápido do que nunca. Identificar e classificar eventos cósmicos conhecidos e potencialmente interessantes está se tornando impossível para um ou um grupo de astrônomos. Portanto, cada vez mais eles treinam computadores para fazer o trabalho por eles. Astrônomos da colaboração Zwicky Transient Facility da Caltech anunciaram que seu algoritmo de aprendizado de máquina já classificou e relatou 1.000 supernovas de forma totalmente autônoma.
“Precisávamos de uma mão amiga e sabíamos que, uma vez que treinássemos nossos computadores para fazer o trabalho, eles tirariam uma grande carga de nossas costas”, diz Christoffer Fremling, astrônomo da Caltech e idealizador do novo algoritmo, apelidado de SNIascore . “O SNIascore classificou sua primeira supernova em abril de 2021 e um ano e meio depois estamos atingindo um belo marco de 1000 supernovas sem nenhum envolvimento humano”.
Muitas das questões científicas atuais e mais emocionantes que os astrônomos estão tentando responder exigem que eles coletem grandes amostras de diferentes eventos cósmicos. Como resultado, os observatórios astronômicos modernos tornaram-se máquinas implacáveis de geração de dados que lançam dezenas de milhares de alertas e imagens aos astrônomos todas as noites. Isso é particularmente verdadeiro no campo da astronomia no domínio do tempo, no qual os pesquisadores procuram objetos que mudam rapidamente, ou transientes, como estrelas explosivas e moribundas conhecidas como supernovas, buracos negros comendo estrelas em órbita, asteroides e muito mais.
“A noção tradicional de um astrônomo sentado no observatório e examinando as imagens do telescópio carrega muito romantismo, mas está se afastando da realidade”, diz Matthew Graham, cientista do projeto ZTF da Caltech.
Além de liberar tempo para os astrônomos buscarem outras questões científicas, o algoritmo de aprendizado de máquina é muito mais rápido na classificação de possíveis candidatos a supernova e no compartilhamento dos resultados com a comunidade astronômica. Com o SNIascore, o processo é reduzido de 2 a 3 dias para cerca de 10 minutos, ou quase em tempo real. Essa identificação precoce de explosões cósmicas costuma ser crítica para estudar melhor sua física.
“O SNIascore se baseia em outros algoritmos e camadas subjacentes de aprendizado de máquina que desenvolvemos para o ZTF e demonstra bem como os aplicativos de aprendizado de máquina estão amadurecendo na astronomia quase em tempo real”, diz Ashish Mahabal, cientista computacional do Caltech’s Center para Data-Driven Discovery, que lidera atividades de aprendizado de máquina para ZTF.
Por enquanto, o SNIascore só pode classificar o que é conhecido como supernovas do Tipo Ia, ou as “velas padrão” no céu usadas pelos astrônomos para medir a taxa de expansão do universo. Estas são estrelas moribundas que explodem com uma explosão termonuclear de força consistente. No entanto, Christoffer e seus colegas estão trabalhando duro para estender as capacidades do algoritmo para classificar outros tipos de supernovas em um futuro próximo.
SNIascore está atualmente adaptado para trabalhar com o espectrógrafo SEDM(Spectral Energy Distribution Machine) alojado em uma cúpula a apenas algumas centenas de metros de distância da câmera ZTF no Observatório Palomar. A ZTF examina o céu continuamente e envia centenas de milhares de alertas todas as noites para potenciais transientes cósmicos para astrônomos em todo o mundo. O espectrógrafo SEDM é acionado para acompanhar e observar os mais promissores. Ele produz um espectro do evento cósmico que carrega informações sobre a intensidade de várias frequências da luz captada pela câmera do telescópio. Esse espectro é o que pode dizer aos astrônomos definitivamente que tipo de evento está sendo observado. Usando técnicas inteligentes de aprendizado de máquina, a equipe de Christoffer treinou o SNIascore para ler os espectros SEDM notavelmente bem.
“O SNIascore é incrivelmente preciso. Depois de 1.000 supernovas, vimos como o algoritmo funciona no “mundo real” e não tivemos nenhum erro de classificação claro desde o lançamento em abril de 2021. Isso nos dá confiança para seguir em frente e implementar o mesmo algoritmo com outras instalações de observação”, acrescentou Fremling.
Ele e seus colegas estão atualmente adaptando o SNIascore para trabalhar com o próximo espectrógrafo SEDMv2 montado no telescópio de 2.1 m no Kitt Peak Observatory, no Arizona. O SEDMv2 será a versão avançada do SEDM e permitirá que supernovas mais fracas sejam detectadas e classificadas. Atualmente, o SNIascore classifica em média duas supernovas todas as noites. Com o SEDMv2, esse número pode dobrar.
As vantagens do SNIascore vão além da construção rápida e confiável de grandes conjuntos de dados de supernovas. Os astrônomos que procuram outros eventos transitórios agora podem descartar rapidamente os candidatos classificados pelo SNIascore como supernovas, de modo que nenhum tempo do telescópio seja desperdiçado em segui-los quando a busca for por outros tipos de explosões cósmicas.
Outros esforços para classificações de eventos transitórios também usam aprendizado de máquina, mas contam apenas com a chamada “curva de luz” do evento ou a quantidade de luz vista pelo telescópio como uma evolução do tempo. O SNIascore tem a vantagem de ser treinado e usar informações espectroscópicas, a única maneira robusta de confirmar a natureza da maioria dos transientes. O algoritmo é de código aberto e outros grupos podem adaptá-lo às suas próprias instalações de telescópio.
“A parte mais desafiadora na implementação do SNIascore foi treinar o algoritmo. Exigia que os humanos verificassem cuidadosamente as imagens e construíssem um conjunto de dados de treinamento impecável. Depois de 1.000 supernovas classificadas automaticamente, olhando para trás, acho que valeu totalmente a pena o esforço”, diz Fremling.
O SNIascore foi desenvolvido como parte do Bright Transient Survey da ZTF – atualmente, o maior levantamento de supernovas disponível para a comunidade astronômica. Todo o conjunto de dados BTS tem cerca de 7.000 supernovas, 90% das quais foram descobertas e classificadas pela ZTF (10% foram contribuições de outros grupos e instalações).
“Nossa ambição é continuar a aumentar o conjunto de dados BTS com a ajuda do SNIascore no futuro para construir a amostra mais abrangente de supernovas que os astrônomos podem usar para responder a questões fundamentais em cosmologia, como a rapidez com que o universo está se expandindo e potencialmente mapear a distribuição de matéria escura e a estrutura em grande escala do universo,” acrescentou Fremling.
Fonte:
https://www.ztf.caltech.edu/new/deep-learning-helps-ztf-astronomers-classify-supernovae.html
