Siden begynnelsen av det 20. århundre har forskere og fysikere blitt belastet med å forklare hvordan og hvorfor universet ser ut til å ekspandere i en akselererende hastighet. I tillegg til å være ansvarlig for kosmisk akselerasjon, antas denne energien også å utgjøre 68,3% av universets ikke-synlige masse.
Mye som mørk materie, er eksistensen av denne usynlige kraften basert på observerbare fenomener og fordi den tilfeldigvis passer med våre nåværende modeller for kosmologi, og ikke direkte bevis. I stedet må forskere stole på indirekte observasjoner og se hvor raskt kosmiske objekter (nærmere bestemt Type Ia-supernovaer) trekker seg fra oss når universet utvides.
Denne prosessen ville være ekstremt kjedelig for forskere - som de som jobber for Dark Energy Survey (DES) - hvis det ikke var for de nye algoritmene som ble utviklet i samarbeid av forskere ved Lawrence Berkeley National Laboratory og UC Berkeley.
"Algoritmen vår kan klassifisere en deteksjon av en supernovakandidat på omtrent 0,01 sekunder, mens en erfaren menneskelig skanner kan ta flere sekunder," sa Danny Goldstein, en UC Berkeley-kandidat som utviklet koden for å automatisere prosessen med supernova-oppdagelse på DES-bilder .
For øyeblikket i sin andre sesong tar DES nattlige bilder av Southern Sky med DECam - et 570 megapikselkamera som er montert på Victor M. Blanco-teleskopet ved Cerro Tololo Interamerican Observatory (CTIO) i de chilenske Andesfjellene. Hver natt genererer kameraet mellom 100 Gigabyte (GB) og 1 Terabyte (TB) av bildedata, som sendes til National Center for Supercomputing Applications (NCSA) og DOE's Fermilab i Illinois for første prosessering og arkivering.
Objektgjenkjenningsprogrammer utviklet ved National Energy Research Scientific Computing Center (NERSC) og implementert på NCSA og kam deretter gjennom bildene på jakt etter mulige deteksjoner av Type Ia supernovaer. Disse kraftige eksplosjonene forekommer i binære stjernesystemer der en stjerne er en hvit dverg, som henter materiale fra en følgesvennstjerne til den når en kritisk masse og eksploderer i en supernova Type Ia.
"Disse eksplosjonene er bemerkelsesverdige fordi de kan brukes som kosmiske avstandsindikatorer med 3-10 prosent nøyaktighet," sier Goldstein.
Avstand er viktig fordi jo lenger borte et objekt befinner seg i rommet, jo lenger tilbake i tid er det. Ved å spore type Ia-supernovaer på forskjellige avstander, kan forskere måle kosmisk ekspansjon gjennom universets historie. Dette gjør at de kan sette begrensninger for hvor raskt universet ekspanderer og kanskje til og med gi andre ledetråder om naturen til mørk energi.
"Vitenskapelig er det en veldig spennende tid fordi flere grupper rundt om i verden prøver å måle type Ia-supernovaer for å begrense og forstå den mørke energien som driver den akselererte utvidelsen av universet," sier Goldstein, som også er student forsker i Berkeley Labs Computational Cosmology Center (C3).
DES begynner søket etter eksplosjoner av type Ia ved å avdekke endringer på nattehimmelen, og det er her bildesubtraksjonsrørledningen utviklet og implementert av forskere i arbeidsgruppen DES supernova kommer inn. Rørledningen trekker fra bilder som inneholder kjente kosmiske objekter fra nye bilder som blir utsatt nattlig ved CTIO.
Hver natt produserer rørledningen mellom 10.000 og noen hundre tusen oppdagelser av supernova-kandidater som må valideres.
Historisk sett skulle trente astronomer sitte ved datamaskinen i timevis, se på disse prikkene og gi meninger om de hadde egenskapene til en supernova, eller om de var forårsaket av falske effekter som maskereres som supernovaer i dataene. Denne prosessen virker rett frem til du innser at antallet kandidater som må klassifiseres hver natt er uoverkommelig stort, og bare én av noen hundre er en ekte supernova av enhver type, sier Goldstein. “Denne prosessen er ekstremt kjedelig og tidskrevende. Det legger også mye press på supernova-arbeidsgruppen for å behandle og skanne data raskt, noe som er hardt arbeid. ”
For å forenkle oppgaven med å kjenne til kandidater utviklet Goldstein en kode som bruker maskinlæringsteknikken “Random Forest” for å veterinere oppdagelser av supernova-kandidater automatisk og i sanntid for å optimalisere dem for DES. Teknikken bruker et ensemble av beslutningstrær for automatisk å stille spørsmålstypene som astronomer vanligvis vil vurdere når de klassifiserer supernova-kandidater.
På slutten av prosessen får hver deteksjon av en kandidat en poengsum basert på brøkdelen av avgjørelsetrær som anså det for å ha egenskapene til en deteksjon av en supernova. Jo nærmere klassifiseringspoengsummen er, jo sterkere blir kandidaten. Goldstein bemerker at i foreløpige tester oppnådde klassifiseringsrørledningen 96 prosent generell nøyaktighet.
"Når du gjør subtraksjon alene, får du altfor mange" falske positiver "- instrumental- eller programvareartifakter som dukker opp som potensielle supernova-kandidater - til at mennesker kan sile gjennom," sier Rollin Thomas, fra Berkeley Labs C3, som var Goldsteins samarbeidspartner.
Han bemerker at med klassifiseringen kan forskere raskt og nøyaktig anstrenge gjenstandene fra supernova-kandidater. "Dette betyr at i stedet for å ha 20 forskere fra supernova-arbeidsgruppen kontinuerlig sile gjennom tusenvis av kandidater hver natt, kan du bare utnevne en person til å se på kanskje noen hundre sterke kandidater," sier Thomas. "Dette fremskynder arbeidsflyten betydelig og gjør det mulig for oss å identifisere supernovaer i sanntid, noe som er avgjørende for å kunne følge opp observasjoner."
"Ved å bruke rundt 60 kjerner på en superdatamaskin kan vi klassifisere 200 000 deteksjoner på omtrent 20 minutter, inkludert tid for databaseinteraksjon og ekstraksjon av funksjoner." sier Goldstein.
Goldstein og Thomas bemerker at neste trinn i dette arbeidet er å legge et andre nivå av maskinlæring til rørledningen for å forbedre klassifiseringsnøyaktigheten. Dette ekstra laget vil ta hensyn til hvordan objektet ble klassifisert i tidligere observasjoner, da det bestemmer sannsynligheten for at kandidaten er "ekte." Forskerne og deres kolleger jobber for tiden med forskjellige tilnærminger for å oppnå denne evnen.
