Od početka 20. stoljeća, znanstvenici i fizičari opterećeni su objašnjenjem kako i zašto se čini da se svemir širi ubrzavanjem. Pored toga što je odgovorna za kozmičko ubrzanje, smatra se da ova energija čini i 68,3% svemirske nevidljive mase.
Kao i tamna tvar, postojanje ove nevidljive sile temelji se na opaženim pojavama i zato što se podudara s našim trenutnim modelima kozmologije, a ne izravnim dokazima. Umjesto toga, znanstvenici se moraju oslanjati na neizravna promatranja, promatrajući kako brzi kozmički objekti (konkretno supernove iz tipa Ia) odlaze od nas dok se svemir širi.
Ovaj bi postupak bio iznimno naporan za znanstvenike - poput onih koji rade za istraživanje mračne energije (DES) - da nije bilo novih algoritama koje su suradnički razvili istraživači iz Nacionalnog laboratorija Lawrence Berkeley i UC Berkeley.
"Naš algoritam može klasificirati otkrivanje kandidata supernove u oko 0,01 sekunde, dok iskusnom ljudskom skeneru može trebati nekoliko sekundi", rekao je Danny Goldstein, diplomski student UC Berkeleyja koji je razvio kod za automatizaciju procesa otkrivanja supernove na DES slikama ,
Trenutno u svojoj drugoj sezoni, DES snima noćne slike Južnog neba s DECamom - kamerom od 570 megapiksela koja je postavljena na teleskop Victor M. Blanco u Međimeričkom opservatoriju Cerro Tololo (CTIO) u čileanskim Andama. Svake večeri kamera generira između 100 gigabajta (GB) i 1 tebabajta (TB) slikovnih podataka, koji se šalju Nacionalnom centru za superkompjuterske aplikacije (NCSA) i DOE-ovom Fermilabu u Illinoisu na početnu obradu i arhiviranje.
Programi za prepoznavanje objekata razvijeni u Nacionalnom znanstvenom računskom centru za istraživanje energije (NERSC) i implementirani u NCSA zatim se češljaju kroz slike u potrazi za mogućim otkrićima supernova tipa Ia. Ove se snažne eksplozije događaju u binarnim sustavima zvijezda u kojima je jedna zvijezda bijeli patuljak, koji skuplja materijal iz prateće zvijezde sve dok ne dosegne kritičnu masu i ne eksplodira u supernovi tipa Ia.
"Ove su eksplozije izvanredne jer se mogu koristiti kao pokazatelji kozmičke udaljenosti s točnošću od 3-10 posto", kaže Goldstein.
Udaljenost je važna jer što je objekt udaljeniji od njega, to je udaljeniji u vremenu. Prateći supernove iz tipa Ia na različitim daljinama, istraživači mogu izmjeriti kozmičko širenje kroz povijest svemira. To im omogućuje da ograniče brzinu širenja svemira, a možda čak i daju druge tragove o prirodi tamne energije.
"Znanstveno, stvarno je uzbudljivo vrijeme jer nekoliko grupa širom svijeta pokušava precizno izmjeriti supernove s tipovima Ia kako bi ograničilo i razumjelo tamnu energiju koja pokreće ubrzano širenje svemira", kaže Goldstein, koji je također student istraživač u Centru za računalnu kozmologiju Berkeley Lab (C3).
DES započinje potragu za eksplozijama tipa Ia otkrivanjem promjena na noćnom nebu, odakle dolazi cjevovod za oduzimanje slike razvijen i implementiran od strane istraživača u DES supernova radnoj skupini. Taj cjevovod od novih slika oduzima slike koje sadrže poznate kozmičke objekte. koji su izloženi CTIO noću.
Svake noći, cjevovod proizvodi između 10 000 i nekoliko stotina tisuća otkrivanja supernova kandidata koje je potrebno potvrditi.
"Povijesno gledano, obučeni astronomi satima bi sjedili za računalom, gledali u ove točkice i nudili mišljenja o tome imaju li karakteristike supernove ili su ih uzrokovali lažni učinci koji se maskiraju kao supernove u podacima. Ovaj se postupak čini jednostavnim sve dok ne shvatite da je broj kandidata koje treba klasificirati svake noći neizmjerno velik i samo je jedan u nekoliko stotina prava supernova bilo koje vrste “, kaže Goldstein. "Ovaj je proces izuzetno naporan i dugotrajan. Ona također vrši veliki pritisak na radnu skupinu supernove za brzu obradu i skeniranje podataka, što je naporan posao. "
Kako bi pojednostavio zadatak provjere kandidata, Goldstein je razvio kôd koji koristi tehniku strojnog učenja „Slučajna šuma“ za automatsko provjeru detekcija kandidata supernove kako bi ih optimizirao za DES. Ova tehnika koristi skupinu stabala koja će automatski postavljati vrste pitanja koja astronomi obično razmatraju prilikom razvrstavanja kandidata supernove.
Na kraju procesa, svakoj detekciji kandidata dodjeljuje se ocjena na temelju udjela stabala koja smatraju da ima svojstva detekcije supernove. Što je bliža ocjena klasifikacije, kandidat je jači. Goldstein napominje da je u preliminarnim testovima klasifikacijski cjevovod postigao 96 posto ukupne točnosti.
"Ako oduzimate sami, dobivate previše previše" lažno pozitivnih "- instrumentalnih ili softverskih artefakata koji se prikazuju kao potencijalni kandidati za supernove - da bi ih ljudi mogli prosijati", kaže Rollin Thomas iz tvrtke C3 Berkeley Lab, C3 koji je bio suradnik Goldsteina.
Napominje da s klasifikatorom istraživači mogu brzo i točno otkloniti artefakte od kandidata supernove. "To znači da, umjesto da 20 stručnjaka iz radne skupine za supernovu kontinuirano prosijava tisuće kandidata svake večeri, možete samo imenovati jednu osobu koja će gledati možda nekoliko stotina jakih kandidata", kaže Thomas. "Ovo značajno ubrzava naš tijek rada i omogućava nam identificiranje supernova u stvarnom vremenu, što je ključno za provođenje praćenja."
"Pomoću oko 60 jezgara na superračunalu možemo klasificirati 200.000 otkrića u oko 20 minuta, uključujući vrijeme interakcije baze podataka i izdvajanje značajki." kaže Goldstein.
Goldstein i Thomas primjećuju da je sljedeći korak u ovom radu dodavanje strojnog učenja drugog stupnja kako bi se poboljšala točnost klasifikacije. Ovaj dodatni sloj uzeo bi u obzir kako je objekt klasificiran u prethodnim zapažanjima jer određuje vjerojatnost da je kandidat "stvaran". Istraživači i njihove kolege trenutno rade na različitim pristupima kako bi postigli ovu sposobnost.
