Sedan början av 1900-talet har forskare och fysiker belastats med att förklara hur och varför universum verkar expandera i en snabbare takt. Förutom att vara ansvarig för den kosmiska accelerationen, tros denna energi också innehålla 68,3% av universumets icke synliga massa.
Liksom mörk materia, är förekomsten av denna osynliga kraft baserad på observerbara fenomen och eftersom det råkar passa in i våra nuvarande modeller av kosmologi och inte direkt bevis. Istället måste forskare förlita sig på indirekta observationer och titta på hur snabba kosmiska föremål (specifikt typ Ia-supernovaer) går från oss när universum expanderar.
Denna process skulle vara extremt tråkig för forskare - som de som arbetar för Dark Energy Survey (DES) - om det inte var för de nya algoritmerna som utvecklats i samarbete av forskare vid Lawrence Berkeley National Laboratory och UC Berkeley.
"Vår algoritm kan klassificera en upptäckt av en supernovakandidat på cirka 0,01 sekunder, medan en erfaren mänsklig skanner kan ta flera sekunder," sa Danny Goldstein, en UC Berkeley doktorand som utvecklade koden för att automatisera processen för upptäckten av supernova på DES-bilder .
För närvarande under sin andra säsong tar DES nattliga bilder av Southern Sky med DECam - en 570-megapixelkamera som är monterad på Victor M. Blanco-teleskopet vid Cerro Tololo Interamerican Observatory (CTIO) i de chilenska Andesöarna. Varje natt genererar kameran mellan 100 Gigabyte (GB) och 1 Terabyte (TB) avbildningsdata, som skickas till National Center for Supercomputing Applications (NCSA) och DOE: s Fermilab i Illinois för första bearbetning och arkivering.
Objektigenkänningsprogram som utvecklats vid National Energy Research Scientific Computing Center (NERSC) och implementerats vid NCSA och sedan kamma igenom bilderna för att söka efter möjliga upptäckter av super Ina supernovaer. Dessa kraftfulla explosioner inträffar i binära stjärnsystem där en stjärna är en vit dvärg, som sätter samman material från en följeslagare stjärna tills den når en kritisk massa och exploderar i en supernova av typ Ia.
"Dessa explosioner är anmärkningsvärda eftersom de kan användas som kosmiska avståndsindikatorer med 3-10 procents noggrannhet," säger Goldstein.
Avstånd är viktigt eftersom ju längre bort ett objekt ligger i rymden, desto längre tillbaka i tiden är det. Genom att spåra supernovaer av typ Ia på olika avstånd kan forskare mäta kosmisk expansion genom universums historia. Detta gör det möjligt för dem att sätta begränsningar för hur snabbt universum expanderar och kanske till och med ger andra ledtrådar om mörk energi.
"Vetenskapligt nog är det en riktigt spännande tid eftersom flera grupper runt om i världen försöker exakt mäta typ Ia-supernovaer för att begränsa och förstå den mörka energin som driver den accelererade expansionen av universum," säger Goldstein, som också är en student forskare i Berkeley Labs Computational Cosmology Center (C3).
DES börjar sin sökning efter typ Ia-explosioner genom att upptäcka förändringar på natthimlen, som är där bildsubtraktionens rörledning som utvecklats och implementerats av forskare i DES supernova-arbetsgruppen kommer in. Rörledningen subtraherar bilder som innehåller kända kosmiska föremål från nya bilder som exponeras varje natt vid CTIO.
Varje natt producerar rörledningen mellan 10 000 och några hundra tusen upptäckter av supernovakandidater som måste valideras.
”Historiskt sett skulle utbildade astronomer sitta vid datorn i timmar, titta på dessa prickar och ge åsikter om de hade egenskaperna hos en supernova, eller om de orsakades av falska effekter som maskeras som supernovaer i uppgifterna. Den här processen verkar enkelt tills du inser att antalet kandidater som behöver klassificeras varje natt är oöverkomligt stort och bara en av några hundra är en riktig supernova av alla slag, säger Goldstein. ”Denna process är extremt tråkig och tidsintensiv. Det sätter också mycket press på supernova-arbetsgruppen att bearbeta och skanna data snabbt, vilket är hårt arbete. ”
För att förenkla uppgiften att pröva kandidater utvecklade Goldstein en kod som använder maskininlärningstekniken "Random Forest" för att veta upptäckter av supernovakandidater automatiskt och i realtid för att optimera dem för DES. Tekniken använder en ensemble av beslutsträd för att automatiskt ställa vilka typer av frågor som astronomer vanligtvis skulle överväga när de klassificerar supernovakandidater.
I slutet av processen ges varje upptäckt av en kandidat en poäng baserad på den bråkdel av beslutsträd som ansåg det ha egenskaperna för en detektion av en supernova. Ju närmare klassificeringsresultatet är, desto starkare blir kandidaten. Goldstein noterar att vid preliminära test uppnådde klassificeringsrörledningen 96 procent total noggrannhet.
"När du gör subtraktion ensam får du alldeles för många" falska positiva "- instrument- eller mjukvaruartifakter som dyker upp som potentiella supernovakandidater - för att människor ska siktas igenom," säger Rollin Thomas, från Berkeley Labs C3, som var Goldsteins samarbetspartner.
Han noterar att med klassificeringen kan forskare snabbt och exakt anstränga artefakter från supernovakandidater. "Detta innebär att istället för att ha 20 forskare från supernova-arbetsgruppen kontinuerligt siktar igenom tusentals kandidater varje kväll, kan du bara utse en person för att titta på kanske några hundra starka kandidater," säger Thomas. "Detta påskyndar vårt arbetsflöde avsevärt och gör att vi kan identifiera supernovaer i realtid, vilket är avgörande för att genomföra observationer."
"Med cirka 60 kärnor på en superdator kan vi klassificera 200 000 detekteringar på cirka 20 minuter, inklusive tid för databasinteraktion och extraktion av funktioner." säger Goldstein.
Goldstein och Thomas noterar att nästa steg i detta arbete är att lägga till en andra nivå av maskininlärning till pipeline för att förbättra klassificeringsnoggrannheten. Detta extra lager skulle ta hänsyn till hur objektet klassificerades i tidigare observationer eftersom det bestämmer sannolikheten för att kandidaten är "verklig". Forskarna och deras kollegor arbetar för närvarande med olika metoder för att uppnå denna förmåga.
