Siden begyndelsen af det 20. århundrede har forskere og fysikere været belastet med at forklare, hvordan og hvorfor universet ser ud til at ekspandere med en accelererende hastighed. Ud over at være ansvarlig for den kosmiske acceleration menes denne energi også at udgøre 68,3% af universets ikke-synlige masse.
Meget som mørkt stof er eksistensen af denne usynlige kraft baseret på observerbare fænomener, og fordi den tilfældigvis passer til vores nuværende modeller for kosmologi og ikke direkte bevis. I stedet skal forskere stole på indirekte observationer og se, hvor hurtigt kosmiske objekter (specifikt Type Ia-supernovaer) trækker sig fra os, når universet udvides.
Denne proces ville være ekstremt kedelig for forskere - ligesom dem, der arbejder for Dark Energy Survey (DES) - hvis det ikke var for de nye algoritmer, der blev udviklet i samarbejde af forskere ved Lawrence Berkeley National Laboratory og UC Berkeley.
”Vores algoritme kan klassificere en detektion af en supernova-kandidat på cirka 0,01 sekunder, mens en erfaren menneskelig scanner kan tage flere sekunder,” sagde Danny Goldstein, en UC Berkeley-kandidatstuderende, der udviklede koden til at automatisere processen med opdagelse af supernova på DES-billeder .
I øjeblikket i sin anden sæson tager DES aftenbilleder af det sydlige himmel med DECam - et 570 megapixel kamera, der er monteret på Victor M. Blanco-teleskopet ved Cerro Tololo Interamerican Observatory (CTIO) i de chilenske Andes. Hver nat genererer kameraet mellem 100 Gigabyte (GB) og 1 Terabyte (TB) billeddata, der sendes til National Center for Supercomputing Applications (NCSA) og DOE's Fermilab i Illinois til initial behandling og arkivering.
Objektgenkendelsesprogrammer udviklet ved National Energy Research Scientific Computing Center (NERSC) og implementeret på NCSA og derefter kam gennem billederne på jagt efter mulige detektioner af type Ia-supernovaer. Disse kraftige eksplosioner forekommer i binære stjernesystemer, hvor en stjerne er en hvid dværg, der akkstraherer materiale fra en ledsagerstjerne, indtil den når en kritisk masse og eksploderer i en Type Ia-supernova.
”Disse eksplosioner er bemærkelsesværdige, fordi de kan bruges som kosmiske afstandsindikatorer inden for 3-10 procent nøjagtighed,” siger Goldstein.
Afstand er vigtig, fordi jo længere væk et objekt befinder sig i rummet, jo længere tilbage i tiden er det. Ved at spore type Ia-supernovaer i forskellige afstande, kan forskere måle den kosmiske ekspansion gennem universets historie. Dette giver dem mulighed for at sætte begrænsninger for, hvor hurtigt universet ekspanderer og måske endda give andre ledetråde om arten af mørk energi.
”Videnskabeligt er det en virkelig spændende tid, fordi flere grupper rundt om i verden prøver præcist at måle type Ia-supernovaer for at begrænse og forstå den mørke energi, der driver den accelererede udvidelse af universet,” siger Goldstein, der også er studerende forsker i Berkeley Labs Computational Cosmology Center (C3).
DES begynder sin søgning efter type Ia-eksplosioner ved at afsløre ændringer i nattehimlen, som er det sted, hvor billed subtraktion pipeline udviklet og implementeret af forskere i DES supernova arbejdsgruppe kommer ind. Rørledningen subtraherer billeder, der indeholder kendte kosmiske objekter fra nye billeder der udsættes hver nat ved CTIO.
Hver nat producerer rørledningen mellem 10.000 og et par hundrede tusind detekteringer af supernova-kandidater, der skal valideres.
”Historisk set skulle træne astronomer sidde ved computeren i timevis, se på disse prikker og give udtalelser om, hvorvidt de havde egenskaberne ved en supernova, eller om de var forårsaget af falske effekter, der maskererer som supernovaer i dataene. Denne proces virker ligetil, indtil du er klar over, at antallet af kandidater, der skal klassificeres hver nat, er uoverkommeligt stort, og kun en ud af få hundrede er en rigtig supernova af enhver art, ”siger Goldstein. ”Denne proces er ekstremt trættende og tidskrævende. Det lægger også meget pres på supernova-arbejdsgruppen for at behandle og scanne data hurtigt, hvilket er hårdt arbejde. ”
For at forenkle opgaven med at få vist kandidater udviklede Goldstein en kode, der bruger maskinlæringsteknikken "Random Forest" til at veterinere detektioner af supernova-kandidater automatisk og i realtid for at optimere dem til DES. Teknikken anvender et ensemble af beslutningstræer til automatisk at stille de typer spørgsmål, som astronomer typisk ville overveje, når de klassificerer supernova-kandidater.
Ved afslutningen af processen får hver detektion af en kandidat en score baseret på den brøkdel af beslutningstræer, der anså det for at have egenskaberne for en detektion af en supernova. Jo tættere klassificeringsscore det er, jo stærkere er kandidaten. Goldstein bemærker, at klassificeringsrørledningen opnåede 96 procents samlede nøjagtighed i foreløbige test.
”Når man kun subtraherer, får man alt for mange‘ falske positive ’- instrumental- eller softwareartifakter, der dukker op som potentielle supernova-kandidater - til at mennesker kan sile igennem,” siger Rollin Thomas fra Berkeley Labs C3, der var Goldsteins samarbejdspartner.
Han bemærker, at med klassificeren kan forskere hurtigt og nøjagtigt forhindre artefakterne fra supernova-kandidater. ”Det betyder, at i stedet for at have 20 videnskabsfolk fra supernova-arbejdsgruppen løbende sigte gennem tusinder af kandidater hver aften, kan du bare udpege en person til måske at se på nogle få hundrede stærke kandidater,” siger Thomas. "Dette fremskynder vores arbejdsgang markant og giver os mulighed for at identificere supernovaer i realtid, hvilket er afgørende for at gennemføre opfølgningsobservationer."
"Ved hjælp af cirka 60 kerner på en supercomputer kan vi klassificere 200.000 detektioner på cirka 20 minutter, inklusive tid til databaseinteraktion og ekstraktion af funktioner." siger Goldstein.
Goldstein og Thomas bemærker, at det næste trin i dette arbejde er at tilføje et andet niveau af maskinlæring til rørledningen for at forbedre klassificeringsnøjagtigheden. Dette ekstra lag tager højde for, hvordan objektet blev klassificeret i tidligere observationer, da det bestemmer sandsynligheden for, at kandidaten er "reel." Forskerne og deres kolleger arbejder i øjeblikket med forskellige tilgange til at nå denne kapacitet.
