Ett ASAS-SN-teleskop hjälper astronomer att upptäcka nya stjärnor. Kredit:ASAS-SN
Ohio State University-astronomer har identifierat cirka 116 000 nya variabla stjärnor, enligt en ny tidning.
Dessa himmelska kroppar hittades av The All-Sky Automated Survey for Supernovae (ASAS-SN), ett nätverk av 20 teleskop runt om i världen som kan observera hela himlen cirka 50 000 gånger djupare än det mänskliga ögat. Forskare från Ohio State har drivit projektet i nästan ett decennium.
Nu i en artikel publicerad på arXiv, en förtrycksserver med öppen åtkomst, beskriver forskare hur de använde maskininlärningstekniker för att identifiera och klassificera variabla stjärnor - himmelska objekt vars ljusstyrka ökar och avtar med tiden, särskilt om de observeras från vårt perspektiv på jorden.
De förändringar som dessa stjärnor genomgår kan avslöja viktig information om deras massa, radie, temperatur och till och med deras sammansättning. Faktum är att även vår sol anses vara en variabel stjärna. Undersökningar som ASAS-SN är ett särskilt viktigt verktyg för att hitta system som kan avslöja komplexiteten i stjärnprocesser, säger Collin Christy, huvudförfattare till tidningen och en ASAS-SN-analytiker vid Ohio State.
"Variabla stjärnor är ungefär som ett stjärnlaboratorium," sa han. "De är riktigt snygga platser i universum där vi kan studera och lära oss mer om hur stjärnor faktiskt fungerar och de små krångligheterna som de alla har."
Men för att hitta fler av dessa svårfångade enheter måste teamet först ta in tidigare oanvänd data från projektet. I åratal tittade ASAS-SN på himlen med hjälp av V-bandsfilter, optiska linser som bara kan identifiera stjärnor vars ljus faller in i spektrumet av färger som är synliga för blotta ögat. Men 2018 gick projektet över till att använda g-bandsfilter – linser som kan upptäcka fler varianter av blått ljus – och nätverket gick från att kunna observera cirka 60 miljoner stjärnor åt gången till mer än 100 miljoner.
Men till skillnad från ASAS-SN:s kampanj för medborgarvetenskap, som förlitar sig på frivilliga för att sålla igenom och klassificera astronomiska data, krävde Christys studie hjälp av artificiell intelligens.
"Om du vill titta på miljontals stjärnor är det omöjligt för ett fåtal människor att göra det själva. Det kommer att ta en evighet", säger Tharindu Jayasinghe, medförfattare till tidningen, doktorand i astronomi och en delstat i Ohio. presidentkollega. "Så vi var tvungna att ta med något kreativt i mixen, som maskininlärningstekniker."
Den nya studien fokuserade på data från Gaia, ett uppdrag att kartlägga en tredimensionell karta över vår galax, samt från 2MASS och AllWISE. Christys team använde en maskininlärningsalgoritm för att generera en lista med 1,5 miljoner kandidatstjärnor från en katalog med cirka 55 miljoner isolerade stjärnor.
Efteråt minskade forskare antalet kandidater ytterligare. Av de 1,5 miljoner stjärnor de studerade visade sig nästan 400 000 vara riktiga variabla stjärnor. Mer än hälften var redan kända för astronomisamfundet, men 116 027 av dem visade sig vara nya upptäckter.
Även om studien behövde maskininlärning för att slutföra den, säger Christys team att det fortfarande finns en roll för medborgarforskare. Faktum är att volontärer med kampanjen medborgarvetenskap redan har börjat identifiera skräpdata, sa han. "Att låta folk berätta för oss hur vår dåliga data ser ut är väldigt användbar, för till en början skulle algoritmen titta på den dåliga datan och försöka förstå det", sa Christy.
Men genom att använda en träningsuppsättning med alla dåliga data kan teamet modifiera och förbättra den övergripande prestandan för sin algoritm. "Det här är första gången som vi faktiskt kombinerar medborgarvetenskap med maskininlärningstekniker inom området variabel stjärnastronomi", säger Jayasinghe. "Vi vidgar gränserna för vad du kan göra när du sätter de två tillsammans." + Utforska vidare
