Artificiell intelligens klassificerar verkliga supernovaexplosioner utan traditionell användning av spektra, tack vare ett team av astronomer vid Center for Astrophysics | Harvard och Smithsonian. De fullständiga datamängderna och de resulterande klassificeringarna är allmänt tillgängliga för öppen användning.

Genom att träna en maskininlärningsmodell för att kategorisera supernovor baserat på deras synliga egenskaper, astronomerna kunde klassificera verkliga data från Pan-STARRS1 Medium Deep Survey för 2, 315 supernovor med en noggrannhet på 82 procent utan användning av spektra.

Astronomerna utvecklade ett program som klassificerar olika typer av supernovor baserat på deras ljuskurvor, eller hur deras ljusstyrka förändras över tiden. "Vi har cirka 2, 500 supernovor med ljuskurvor från Pan-STARRS1 Medium Deep Survey, och av dem, 500 supernovor med spektra som kan användas för klassificering, sa Griffin Hosseinzadeh, en postdoktor vid CfA och huvudförfattare på den första av två artiklar publicerade i The Astrophysical Journal . "Vi tränade klassificeraren med de 500 supernovorna för att klassificera de återstående supernovorna där vi inte kunde observera spektrumet."

Edo Berger, en astronom vid CfA förklarade att genom att be den artificiella intelligensen att svara på specifika frågor, resultaten blir allt mer exakta. "Maskininlärningen letar efter en korrelation med de ursprungliga 500 spektroskopiska etiketterna. Vi ber den att jämföra supernovorna i olika kategorier:färg, utvecklingshastighet, eller ljusstyrka. Genom att mata den med verklig befintlig kunskap, det leder till högsta noggrannhet, mellan 80 och 90 procent."

Även om detta inte är det första maskininlärningsprojektet för klassificering av supernovor, det är första gången som astronomer har haft tillgång till en riktig datauppsättning som är tillräckligt stor för att träna en artificiell intelligens-baserad supernovaklassificerare, gör det möjligt att skapa maskininlärningsalgoritmer utan användning av simuleringar.

"Om du gör en simulerad ljuskurva, det betyder att du gör ett antagande om hur supernovor kommer att se ut, och din klassificerare kommer då att lära sig dessa antaganden också, ", sa Hosseinzadeh. "Naturen kommer alltid att orsaka några ytterligare komplikationer som du inte redogjorde för, vilket betyder att din klassificerare inte kommer att göra lika bra på verkliga data som den gjorde på simulerade data. Eftersom vi använde riktiga data för att träna våra klassificerare, det betyder att vår uppmätta noggrannhet förmodligen är mer representativ för hur våra klassificerare kommer att prestera på andra undersökningar." När klassificeraren kategoriserar supernovorna, sa Berger, "Vi kommer att kunna studera dem både i efterhand och i realtid för att plocka ut de mest intressanta händelserna för detaljerad uppföljning. Vi kommer att använda algoritmen för att hjälpa oss att plocka ut nålarna och även för att titta på höstacken."

Projektet har konsekvenser inte bara för arkivdata, men också för data som kommer att samlas in av framtida teleskop. Vera C. Rubin-observatoriet förväntas gå online 2023, och kommer att leda till upptäckten av miljontals nya supernovor varje år. Detta innebär både möjligheter och utmaningar för astrofysiker, där begränsad teleskoptid leder till begränsade spektrala klassificeringar.

"När Rubin Observatory går online kommer det att öka vår upptäcktshastighet av supernovor med 100 gånger, men våra spektroskopiska resurser kommer inte att öka, sa Ashley Villar, en Simons Junior Fellow vid Columbia University och huvudförfattare på den andra av de två uppsatserna, tillägger att medan ungefär 10, 000 supernovor upptäcks för närvarande varje år, forskare tar bara spektra av cirka 10 procent av dessa objekt. "Om detta stämmer, det betyder att endast 0,1 procent av supernovorna som upptäcks av Rubin Observatory varje år kommer att få en spektroskopisk märkning. De återstående 99,9 procenten av data kommer att vara oanvändbara utan metoder som vår."

Till skillnad från tidigare ansträngningar, där datamängder och klassificeringar har varit tillgängliga för endast ett begränsat antal astronomer, datauppsättningarna från den nya maskininlärningsalgoritmen kommer att göras allmänt tillgängliga. Astronomerna har skapat lättanvända, tillgänglig programvara, och släppte även all data från Pan-STARRS1 Medium Deep Survey tillsammans med de nya klassificeringarna för användning i andra projekt. Hosseinzadeh sa, "Det var verkligen viktigt för oss att dessa projekt var användbara för hela supernovagemenskapen, inte bara för vår grupp. Det finns så många projekt som kan göras med dessa data att vi aldrig skulle kunna göra dem alla själva." Berger tillade, "Dessa projekt är öppna data för öppen vetenskap."