Od počátku 20. století jsou vědci a fyzici zatíženi vysvětlením toho, jak a proč se vesmír zdá být rostoucí rychlostí. Kromě toho, že je zodpovědná za vesmírné zrychlení, má tato energie rovněž představovat 68,3% neviditelné hmoty vesmíru.
Podobně jako temná hmota je existence této neviditelné síly založena na pozorovatelných jevech a protože se náhodou hodí k našim současným modelům kosmologie, a nikoli k přímému důkazu. Místo toho se musí vědci spoléhat na nepřímá pozorování a sledovat, jak rychle vesmírné objekty (konkrétně supernovy typu Ia) od nás ustupují, jak se vesmír rozšiřuje.
Tento proces by byl pro vědce - stejně jako pro ty, kteří pracují pro průzkum temné energie (DES) - velmi náročný, kdyby to nebylo pro nové algoritmy vyvinuté společně vědci v Lawrence Berkeley National Laboratory a UC Berkeley.
"Náš algoritmus dokáže klasifikovat detekci kandidáta na supernovu přibližně za 0,01 sekundy, zatímco zkušený lidský skener může trvat několik sekund," řekl Danny Goldstein, postgraduální student UC Berkeley, který vyvinul kód pro automatizaci procesu objevování supernovy na obrazech DES .
V současné době DES pořizuje noční snímky jižní oblohy s DECam - 570-megapixelovým fotoaparátem, který je namontován na dalekohledu Victor M. Blanco na Mezroamerické observatoři Cerro Tololo (CTIO) v chilských Andách. Kamera generuje každou noc mezi 100 Gigabajty (GB) a 1 Terabyte (TB) obrazových dat, která se odesílají do Národního centra pro superpočítačové aplikace (NCSA) a DOE Fermilab v Illinois pro počáteční zpracování a archivaci.
Programy rozpoznávání objektů vyvinuté v Národním vědeckotechnickém středisku pro výzkum energie (NERSC) a implementované v NCSA pak prohledávají obrázky a hledají možné detekce supernovy typu Ia. K těmto silným výbuchům dochází v binárních hvězdných systémech, kde jedna hvězda je bílý trpaslík, který shromažďuje materiál od doprovodné hvězdy, dokud nedosáhne kritického množství a exploduje v supernově typu Ia.
"Tyto výbuchy jsou pozoruhodné, protože mohou být použity jako indikátory kosmické vzdálenosti s přesností na 3 až 10 procent," říká Goldstein.
Vzdálenost je důležitá, protože čím dál je objekt umístěn v prostoru, tím více je zpět v čase. Sledováním supernov typu Ia na různých vzdálenostech mohou vědci měřit kosmickou expanzi v celé historii vesmíru. To jim umožňuje omezovat rychlost vesmíru a možná dokonce poskytnout další vodítka o povaze temné energie.
"Vědecky je to opravdu vzrušující čas, protože několik skupin po celém světě se snaží přesně měřit supernovy typu Ia, aby omezilo a pochopilo temnou energii, která řídí zrychlenou expanzi vesmíru," říká Goldstein, který je také studentem výzkumný pracovník v Berkeley Lab's Computational Cosmology Center (C3).
DES začíná hledat exploze typu Ia odhalením změn na noční obloze, což je místo, kde přichází potrubí pro odečítání obrazu vyvinuté a implementované vědci v pracovní skupině DES supernova. Potrubí odečte obrázky, které obsahují známé kosmické objekty, od nových obrázků. které jsou vystaveny v noci na CTIO.
Plynovod každou noc produkuje mezi 10 000 a několika stovkami tisíc detekcí kandidátů na supernovy, které je třeba ověřit.
"Historicky by trénovaní astronomové seděli u počítače celé hodiny, dívali se na tyto tečky a nabízeli názory na to, zda mají vlastnosti supernovy, nebo zda jsou způsobeny falešnými efekty, které se maskují jako supernovy v datech." Tento proces se jeví jako jednoduchý, dokud si neuvědomíte, že počet uchazečů, kteří musí být klasifikováni každou noc, je neúměrně velký a pouze jeden z několika set je skutečnou supernovou jakéhokoli typu, “říká Goldstein. „Tento proces je velmi únavný a časově náročný. Vyvíjí také velký tlak na pracovní skupinu supernovy, aby rychle zpracovávala a skenovala data, což je těžká práce. “
Pro zjednodušení úlohy prověření kandidátů vyvinul Goldstein kód, který používá techniku strojového učení „Random Forest“ k prověření detekce supernovských kandidátů automaticky a v reálném čase k jejich optimalizaci pro DES. Tato technika využívá soubor rozhodovacích stromů k automatickému zjišťování typů otázek, které by astronomové obvykle zvažovali při klasifikaci supernovských kandidátů.
Na konci procesu je každé detekci kandidáta přiděleno skóre na základě zlomku rozhodovacích stromů, které ji považovaly za charakteristické pro detekci supernovy. Čím je skóre klasifikace blíže jednomu, tím silnější je kandidát. Goldstein poznamenává, že v předběžných testech dosáhl klasifikační potrubí celkové přesnosti 96 procent.
"Když odčítáte sami, dostanete příliš mnoho" falešně pozitivních "- instrumentálních nebo softwarových artefaktů, které se projevují jako potenciální kandidáti na supernovy - aby se lidé mohli prosadit," říká Rollin Thomas z Berkeley Lab's C3, který byl Goldsteinovým spolupracovníkem.
Poznamenává, že pomocí klasifikátoru mohou vědci rychle a přesně vytěsnit artefakty kandidátů supernovy. "To znamená, že namísto toho, aby 20 vědců z pracovní skupiny supernovy nepřetržitě procházelo tisíce kandidátů každou noc, můžete si jen určit jednu osobu, která se bude zabývat možná několika stovkami silných kandidátů," říká Thomas. "To výrazně urychluje náš pracovní postup a umožňuje nám identifikovat supernovy v reálném čase, což je zásadní pro provádění následných pozorování."
"Při použití přibližně 60 jader na superpočítači můžeme klasifikovat 200 000 detekcí za přibližně 20 minut, včetně času na interakci databáze a extrakci funkcí." říká Goldstein.
Goldstein a Thomas poznamenávají, že dalším krokem v této práci je přidání druhé úrovně strojového učení do potrubí, aby se zvýšila přesnost klasifikace. Tato další vrstva by brala v úvahu, jak byl objekt zařazen do předchozích pozorování, protože určuje pravděpodobnost, že kandidát je „skutečný“. Vědci a jejich kolegové v současné době pracují na různých přístupech k dosažení této schopnosti.
