20. yüzyılın başlarından bu yana, bilim adamları ve fizikçiler, Evrenin nasıl ve neden hızlanan bir hızla genişlediğini açıklamakla yükümlüdür. Kozmik hızlanmadan sorumlu olmasının yanı sıra, bu enerjinin evrenin görünür olmayan kütlesinin% 68,3'ünü içerdiği düşünülmektedir.
Karanlık madde gibi, bu görünmez gücün varlığı gözlemlenebilir olaylara dayanmaktadır ve çünkü doğrudan kanıtlara değil, mevcut kozmoloji modellerimize uymaktadır. Bunun yerine bilim adamları, evren genişledikçe kozmik nesnelerin (özellikle Tip Ia süpernovaların) bizden ne kadar hızlı geri çekildiğini izleyerek dolaylı gözlemlere güvenmelidir.
Bu süreç, Karanlık Enerji Araştırması (DES) için çalışanlar gibi bilim adamları için, Lawrence Berkeley Ulusal Laboratuvarı ve UC Berkeley'deki araştırmacılar tarafından işbirliği içinde geliştirilen yeni algoritmalar için olmasa da son derece can sıkıcı olurdu.
"Algoritmamız bir süpernova adayının tespitini yaklaşık 0.01 saniye içinde sınıflandırabilirken, deneyimli bir insan tarayıcısı birkaç saniye sürebilir," diyor DES görüntülerinde süpernova keşif sürecini otomatikleştirmek için kodu geliştiren bir UC Berkeley lisansüstü öğrencisi Danny Goldstein. .
Şu anda ikinci sezonunda DES, Şili Andes'teki Cerro Tololo Interamerican Gözlemevi'nde (CTIO) Victor M. Blanco teleskopuna monte edilmiş 570 megapiksel bir kamera olan DECam ile Güney Gökyüzünün her gece fotoğrafını çekiyor. Her gece, kamera ilk işleme ve arşivleme için Ulusal Süper Bilişim Uygulamaları Merkezi'ne (NCSA) ve DOE’nin Fermilab'a gönderilen 100 Gigabyte (GB) ile 1 Terabayt (TB) arasında görüntüleme verisi üretir.
Ulusal Enerji Araştırmaları Bilimsel Hesaplama Merkezi'nde (NERSC) geliştirilen ve NCSA'da uygulanan nesne tanıma programları, daha sonra Tip Ia süpernovalarının olası tespitlerini bulmak için görüntüleri taramaktadır. Bu güçlü patlamalar, bir yıldızın beyaz bir cüce olduğu ikili yıldız sistemlerinde meydana gelir ve kritik bir kütleye ulaşana ve bir Tip Ia süpernovada patlayana kadar refakatçi bir yıldızdan malzeme toplar.
Goldstein “Bu patlamalar dikkat çekicidir çünkü yüzde 3-10 doğrulukta kozmik mesafe göstergesi olarak kullanılabilirler” diyor.
Mesafe önemlidir çünkü bir nesne uzayda ne kadar uzağa yerleştirilirse, zamanda o kadar geri gider. Araştırmacılar, farklı mesafelerde Tip Ia süpernovalarını izleyerek, evrenin tarihi boyunca kozmik genişlemeyi ölçebilirler. Bu, evrenin ne kadar hızlı genişlediğine ve hatta karanlık enerjinin doğası hakkında başka ipuçları bile vermelerine izin veriyor.
Aynı zamanda bir öğrenci olan Goldstein, “Bilimsel olarak, bu gerçekten heyecan verici bir zaman çünkü dünyadaki birkaç grup, evrenin hızlandırılmış genişlemesini yönlendiren karanlık enerjiyi sınırlamak ve anlamak için Tip Ia süpernovaları hassas bir şekilde ölçmeye çalışıyor” diyor. Berkeley Lab'ın Hesaplamalı Kozmoloji Merkezi'nde (C3) araştırmacı.
DES, DES süpernova çalışma grubundaki araştırmacılar tarafından geliştirilen ve uygulanan görüntü çıkarma boru hattının geldiği gece gökyüzündeki değişiklikleri ortaya çıkararak Tip Ia patlamaları için araştırmaya başlar. Boru hattı, bilinen kozmik nesneleri içeren görüntüleri yeni görüntülerden çıkarır. CTIO'da her gece maruz kalanlar.
Her gece boru hattı, doğrulanması gereken 10.000 ila birkaç yüz bin arasında süpernova adayı tespit ediyor.
“Tarihsel olarak, eğitimli gökbilimciler saatlerce bilgisayarda oturacak, bu noktalara bakacak ve bir süpernova özelliklerine sahip olup olmadıkları ya da verilerde süpernova olarak maskelenen sahte efektlerden kaynaklanıp kaynaklanmadığı hakkında fikir sunacaklardı. Bu süreç, her gece sınıflandırılması gereken adayların sayısının çok fazla olduğunu ve birkaç yüz kişiden sadece birinin her türden gerçek bir süpernova olduğunu anlayana kadar basit görünüyor ”diyor Goldstein. “Bu süreç son derece sıkıcı ve zaman alıcı. Ayrıca, süpernova çalışma grubuna verileri hızlı bir şekilde işlemek ve taramak için çok fazla baskı yapıyor, bu da zor bir iş. ”
Adayların araştırılması görevini basitleştirmek için Goldstein, süpernova adaylarının tespitlerini otomatik olarak ve gerçek zamanlı olarak DES için optimize etmek için makine öğrenme tekniği “Random Forest” kullanan bir kod geliştirdi. Teknik, gökbilimcilerin süpernova adaylarını sınıflandırırken tipik olarak dikkate alacakları soru türlerini otomatik olarak sormak için bir dizi karar ağacı kullanır.
Sürecin sonunda, bir adayın her tespiti, karar ağaçlarının bir süpernova tespiti özelliklerine sahip olduğunu düşünen kısmına göre bir puan verilir. Sınıflandırma puanı birine ne kadar yakınsa, aday o kadar güçlü olur. Goldstein, ön testlerde, sınıflandırma boru hattının toplam yüzde 96 doğruluk elde ettiğini not eder.
Goldstein'ın işbirlikçisi Berkeley Lab’ın C3'ü Rollin Thomas, “Çıkarma yaptığınızda, insanlar için çok fazla sayıda“ yanlış pozitif ”- potansiyel süpernova adayı olarak görünen araçsal veya yazılım eserleri elde edersiniz” diyor.
Sınıflandırıcı ile araştırmacıların süpernova adaylarının eserlerini hızlı ve doğru bir şekilde zorlayabileceğini kaydediyor. Thomas, “Bu, süpernova çalışma grubundan 20 bilim insanının her gece binlerce adayı sürekli olarak ele geçirmesi yerine, belki de sadece birkaç yüz güçlü adaya bakmak için bir kişiyi atayabileceğiniz anlamına geliyor” diyor. “Bu, iş akışımızı önemli ölçüde hızlandırıyor ve süpernovaları gerçek zamanlı olarak tanımlamamıza izin veriyor, bu da takip gözlemleri yapmak için çok önemli.”
“Bir süper bilgisayarda yaklaşık 60 çekirdek kullanarak, veritabanı etkileşimi ve özellik çıkarımı dahil olmak üzere yaklaşık 200 dakikada 200.000 algılamayı sınıflandırabiliriz.” diyor Goldstein.
Goldstein ve Thomas, bu çalışmadaki bir sonraki adımın, sınıflandırma doğruluğunu artırmak için boru hattına ikinci düzey bir makine öğrenimi eklemek olduğunu belirtiyor. Bu ekstra katman, adayın “gerçek” olasılığını belirlediğinden, nesnenin önceki gözlemlerde nasıl sınıflandırıldığını dikkate alacaktır. Araştırmacılar ve meslektaşları şu anda bu yeteneğe ulaşmak için farklı yaklaşımlar üzerinde çalışıyorlar.
