Kredit:Pixabay/CC0 Public Domain
SNAD-teamet, ett internationellt nätverk av forskare inklusive Matvey Kornilov, docent vid HSE University Faculty of Physics, har upptäckt 11 tidigare oupptäckta rymdanomalier, varav sju är supernovakandidater. Forskarna analyserade digitala bilder av den norra himlen tagna 2018 med hjälp av ett k-D-träd för att upptäcka anomalier genom metoden "närmaste granne". Maskininlärningsalgoritmer hjälpte till att automatisera sökningen. Tidningen publiceras i New Astronomy .
De flesta astronomiska upptäckter har baserats på observationer med efterföljande beräkningar. Medan det totala antalet observationer under 1900-talet fortfarande var relativt litet, ökade datavolymerna drastiskt med ankomsten av storskaliga astronomiska undersökningar. Till exempel genererar Zwicky Transient Facility (ZTF), som använder en bredbildskamera för att övervaka den norra himlen, ~1,4 TB data per natt av observation och dess katalog innehåller miljarder objekt. Att manuellt bearbeta sådana enorma mängder data är både dyrt och tidskrävande, så SNAD-teamet av forskare från Ryssland, Frankrike och USA gick samman för att utveckla en automatiserad lösning.
När forskare undersöker astronomiska objekt observerar de deras ljuskurvor, som visar variationer av ett objekts ljusstyrka som en funktion av tiden. Observatörerna identifierar först en ljusblixt på himlen och följer sedan dess utveckling för att se om ljuset blir starkare eller svagare med tiden, eller slocknar. I den här studien undersökte forskarna en miljon riktiga ljuskurvor från ZTF:s 2018-katalog och sju simulerade levande kurvmodeller av de typer av föremål som studeras. Totalt följde de ett 40-tal parametrar, inklusive amplituden för ett objekts ljusstyrka och tidsramen.
"Vi beskrev egenskaperna hos våra simuleringar med hjälp av en uppsättning egenskaper som förväntas observeras i verkliga astronomiska kroppar. I datasetet med cirka en miljon objekt letade vi efter superkraftiga supernovor, supernovor av typ Ia, supernovor av typ II och tidvatten. störningshändelser", förklarar Konstantin Malanchev, medförfattare till uppsatsen och postdoc vid University of Illinois i Urbana-Champaign. "Vi hänvisar till sådana klasser av objekt som anomalier. De är antingen mycket sällsynta, med föga kända egenskaper, eller verkar intressanta nog att förtjäna ytterligare studier."
Ljuskurvans data från verkliga objekt jämfördes sedan med de för simuleringar med k-D-trädalgoritmen. Ett k-D-träd är en geometrisk datastruktur för att dela upp rymden i mindre delar genom att skära den med hyperplan, plan, linjer eller punkter. I den aktuella forskningen användes denna algoritm för att begränsa sökintervallet när man letade efter verkliga objekt med egenskaper som liknar de som beskrivs i de sju simuleringarna.
Därefter identifierade teamet 15 närmaste grannar, det vill säga verkliga objekt från ZTF-databasen, för varje simulering – totalt 105 matchningar, som forskarna sedan undersökte visuellt för att kontrollera avvikelser. Den manuella verifieringen bekräftade 11 anomalier, varav sju var supernovakandidater, och fyra var aktiva galaktiska kärnkandidater där tidvattenavbrott kunde inträffa.
"Detta är ett mycket bra resultat", kommenterar Maria Pruzhinskaya, medförfattare till artikeln och forskare vid Sternberg Astronomical Institute. "Förutom de redan upptäckta sällsynta objekten kunde vi upptäcka flera nya som tidigare missats av astronomer. Detta innebär att befintliga sökalgoritmer kan förbättras för att undvika att missa sådana objekt."
Denna studie visar att metoden är mycket effektiv, samtidigt som den är relativt lätt att tillämpa. Den föreslagna algoritmen för att upptäcka rymdfenomen av en viss typ är universell och kan användas för att upptäcka alla intressanta astronomiska objekt, inte begränsat till sällsynta typer av supernovor.
"Astronomiska och astrofysiska fenomen som ännu inte har upptäckts är i själva verket anomalier", enligt Matvey Kornilov, docent vid HSE University Faculty of Physics. "Deras observerade manifestationer förväntas skilja sig från egenskaperna hos kända objekt. I framtiden kommer vi att försöka använda vår metod för att upptäcka nya klasser av objekt." + Utforska vidare
