Astronomen am Caltech haben einen maschinellen Lernalgorithmus verwendet, um 1.000 Supernovae völlig autonom zu klassifizieren. Der Algorithmus wurde auf Daten angewendet, die von der Zwicky Transient Facility oder ZTF, einem Himmelsvermessungsinstrument am Palomar Observatory von Caltech, erfasst wurden.
„Wir brauchten eine helfende Hand, und wir wussten, dass unsere Computer, sobald wir sie für die Arbeit trainiert hatten, eine große Last von unserem Rücken nehmen würden“, sagt Christoffer Fremling, ein angestellter Astronom bei Caltech und der Mastermind hinter dem neuen Algorithmus, synchronisiert SNIascore. „SNIascore hat seine erste Supernova im April 2021 klassifiziert, und anderthalb Jahre später erreichen wir einen schönen Meilenstein von 1.000 Supernovae.“
Das ZTF scannt jede Nacht den Nachthimmel, um nach Änderungen zu suchen, die als vorübergehende Ereignisse bezeichnet werden. Dies umfasst alles von sich bewegenden Asteroiden über Schwarze Löcher, die gerade Sterne gefressen haben, bis hin zu explodierenden Sternen, die als Supernovae bekannt sind. ZTF sendet jede Nacht Hunderttausende von Warnungen an Astronomen auf der ganzen Welt, um sie über diese vorübergehenden Ereignisse zu informieren. Die Astronomen verwenden dann andere Teleskope, um die Natur der sich verändernden Objekte zu verfolgen und zu untersuchen. Bisher haben ZTF-Daten zur Entdeckung von Tausenden von Supernovae geführt.
Aber da jede Nacht unerbittlich Datenmengen eintreffen, können die Mitglieder des ZTF-Teams nicht alle Daten alleine sortieren.
„Die traditionelle Vorstellung eines Astronomen, der am Observatorium sitzt und Teleskopbilder sichtet, trägt viel Romantik in sich, entfernt sich aber von der Realität“, sagt Matthew Graham, Projektwissenschaftler für das ZTF und Forschungsprofessor für Astronomie am Caltech.
Der maschinelle Lernalgorithmus klassifizierte 1.000 Supernovae völlig autonom anhand von Daten, die vom ZTF erfasst wurden, das seinen Sitz am Palomar Observatory von Caltech in der Nähe von San Diego hat. Der leere Bereich im Video unten rechts stellt Regionen am Südhimmel dar, die vom Berg Palomar nicht zu sehen sind.
Stattdessen hat das Team maschinelle Lernalgorithmen entwickelt, um die Suche zu unterstützen. Sie entwickelten SNIascore für die Aufgabe, mögliche Supernovae zu klassifizieren. Supernovae gibt es in zwei große Klassen: Typ I und Typ II. Supernovae vom Typ I sind wasserstofffrei, während Supernovae vom Typ II reich an Wasserstoff sind. Die häufigste Typ-I-Supernova tritt auf, wenn ein massereicher Stern Materie von einem benachbarten Stern stiehlt, was eine thermonukleare Explosion auslöst. Eine Supernova vom Typ II tritt auf, wenn ein massereicher Stern unter seiner eigenen Schwerkraft zusammenbricht.
Derzeit kann SNIascore sogenannte Typ-Ia-Supernovae oder die „Standardkerzen“ am Himmel klassifizieren. Dies sind sterbende Sterne, die mit einer thermonuklearen Explosion von gleichbleibender Stärke explodieren. Supernovae vom Typ Ia ermöglichen es Astronomen, die Expansionsrate des Universums zu messen. Fremling und Kollegen arbeiten derzeit daran, die Fähigkeiten des Algorithmus zu erweitern, um in naher Zukunft andere Arten von Supernovae zu klassifizieren.
Jede Nacht, nachdem das ZTF Blitze am Himmel eingefangen hat, die Supernovae sein könnten, sendet es die Daten an einen Spektrographen in Palomar, der nur wenige hundert Meter entfernt in einer Kuppel untergebracht ist, genannt SEDM (Spectral Energy Distribution Machine). SNIascore arbeitet mit SEDM zusammen, um dann zu klassifizieren, welche Supernovae wahrscheinlich Typ Ia sind. Das Ergebnis ist, dass das ZTF-Team schnell einen zuverlässigeren Datensatz von Supernovae erstellt, den Astronomen weiter untersuchen und letztendlich etwas über die Physik der mächtigen Sternexplosionen lernen können.
„SNIascore ist bemerkenswert genau. Nach 1.000 Supernovae haben wir gesehen, wie sich der Algorithmus in der realen Welt verhält“, sagt Fremling. „Wir haben seit dem Start im April 2021 keine eindeutig falsch klassifizierten Ereignisse gefunden, und wir planen nun, denselben Algorithmus mit anderen Beobachtungseinrichtungen zu implementieren.“
Ashish Mahabal, der für das ZTF Aktivitäten im Bereich des maschinellen Lernens leitet und als leitender Computer- und Datenwissenschaftler am Center for Data Driven Discovery des Caltech fungiert, fügt hinzu: „Diese Arbeit zeigt gut, wie Anwendungen des maschinellen Lernens in der Astronomie nahezu in Echtzeit erwachsen werden.“