Kopš 20. gadsimta sākuma zinātniekiem un fiziķiem ir uzlikts pienākums izskaidrot, kā un kāpēc Visums, šķiet, paplašinās paātrinoties. Tiek uzskatīts, ka šī enerģija ir atbildīga par kosmisko paātrinājumu arī 68,3% no Visuma neredzamās masas.
Līdzīgi kā tumšā matērija, šī neredzamā spēka esamība ir balstīta uz novērojamām parādībām un tāpēc, ka tā notiek atbilstoši mūsu pašreizējiem kosmoloģijas modeļiem, nevis tiešiem pierādījumiem. Tā vietā zinātniekiem jāpaļaujas uz netiešiem novērojumiem, vērojot, cik ātri kosmiskie objekti (īpaši Ia tipa supernovas) no mums atkāpjas, kad Visums paplašinās.
Šis process būtu ārkārtīgi nogurdinošs zinātniekiem - tāpat kā tiem, kas strādā Dark Energy Survey (DES) -, ja tas nebūtu jaunajiem algoritmiem, ko sadarbībā izstrādājuši Lawrence Berkeley Nacionālās laboratorijas un UC Berkeley pētnieki.
"Mūsu algoritms var klasificēt supernovas kandidāta noteikšanu aptuveni 0,01 sekundē, turpretī pieredzējis cilvēka skeneris var ilgt vairākas sekundes," sacīja Danny Goldstein, UC Berkeley absolvents, kurš izstrādāja kodu, lai automatizētu supernovas atklāšanas procesu DES attēliem. .
Pašlaik otrajā sezonā DES katru dienu uzņem dienvidu debesu attēlus ar DECam - 570 megapikseļu kameru, kas ir uzstādīta uz Victor M. Blanco teleskopa Cerro Tololo Interamerican Observatory (CTIO) Čīles Andos. Katru vakaru kamera ģenerē attēlveidošanas datus no 100 gigabaitiem (GB) līdz 1 terabaitiem (TB), kas sākotnējai apstrādei un arhivēšanai tiek nosūtīti Nacionālajam superdatoru lietojumprogrammu centram (NCSA) un DOE Fermilab Ilinoisā.
Objektu atpazīšanas programmas, kas izstrādātas Nacionālajā enerģijas pētījumu zinātniskās skaitļošanas centrā (NERSC) un ieviestas NCSA, pēc tam ķemmē attēlus, meklējot Ia tipa supernovu iespējamos atklājumus. Šie spēcīgie sprādzieni notiek bināro zvaigžņu sistēmās, kur viena zvaigzne ir balts punduris, kurš uzkrāj materiālu no pavadošās zvaigznes, līdz tā sasniedz kritisko masu un eksplodē Ia tipa supernovā.
"Šie sprādzieni ir ievērojami, jo tos var izmantot kā kosmiskā attāluma indikatorus ar precizitāti līdz 3–10 procentiem," saka Goldšteins.
Attālums ir svarīgs, jo jo tālāk objekts atrodas telpā, jo tālāk tas atrodas laikā. Izsekojot Ia tipa supernovas dažādos attālumos, pētnieki var izmērīt kosmisko izplešanos visā Visuma vēsturē. Tas viņiem ļauj ierobežot, cik ātri Visums paplašinās, un varbūt pat sniegt citas norādes par tumšās enerģijas raksturu.
“Zinātniski tas ir patiešām aizraujošs laiks, jo vairākas grupas visā pasaulē cenšas precīzi izmērīt Ia tipa supernovas, lai ierobežotu un izprastu tumšo enerģiju, kas virza Visuma paātrināto izplešanos,” saka Goldšteins, kurš ir arī students pētniece Bērklija laboratorijas Skaitļošās kosmoloģijas centrā (C3).
DES sāk Ia tipa sprādzienu meklēšanu, atklājot izmaiņas nakts debesīs. Tieši šeit nonāk attēla atņemšanas cauruļvads, ko izstrādājuši un ieviesuši DES supernovas darba grupas pētnieki. Cauruļvads no jauniem attēliem atņem attēlus, kas satur zināmus kosmiskos objektus. kas katru nakti tiek pakļauti CTIO.
Katru nakti cauruļvads rada no 10 000 līdz dažiem simtiem tūkstošu supernovas kandidātu atklājumu, kas jāapstiprina.
“Vēsturiski apmācīti astronomi stundām ilgi sēdēja pie datora, skatījās uz šiem punktiem un piedāvāja viedokli par to, vai viņiem piemīt supernovas īpašības, vai arī tos izraisa nepatiesas sekas, kas datos maskējas kā supernovas. Šis process šķiet vienkāršs, kamēr jūs nesaprotat, ka kandidātu skaits, kas katru nakti jāklasificē, ir pārmērīgi liels un tikai viens no dažiem simtiem ir reāla jebkura veida supernova, ”saka Goldšteins. “Šis process ir ļoti nogurdinošs un laikietilpīgs. Tas arī rada lielu spiedienu uz supernovas darba grupu, lai ātri apstrādātu un skenētu datus, kas ir smags darbs. ”
Lai vienkāršotu kandidātu pārbaudes uzdevumu, Goldstein izstrādāja kodu, kas izmanto mašīnmācīšanās paņēmienu “Random Forest”, lai automātiski un reālā laikā pārbaudītu supernovas kandidātus, lai tos optimizētu DES. Metode izmanto lēmumu koku kompleksu, lai automātiski uzdotu jautājumus, kurus astronomi parasti ņemtu vērā, klasificējot supernovas kandidātus.
Procesa beigās katram kandidāta noteikšanai tiek piešķirts vērtējums, pamatojoties uz lēmumu pieņemšanas koku daļu, kas uzskatīja, ka tam ir supernovas noteikšanas pazīmes. Jo tuvāk klasifikācijas skaitam ir viens, jo spēcīgāks kandidāts. Goldšteins atzīmē, ka sākotnējos testos klasifikācijas cauruļvads sasniedza 96 procentus vispārējās precizitātes.
“Veicot atņemšanu vien, jūs saņemat pārāk daudz“ nepatiesu pozitīvu rezultātu ”- instrumentālu vai programmatūras artefaktu, kas parādās kā potenciālie supernovas kandidāti -, lai cilvēki varētu to izsijāt,” saka Rollin Thomas no Berkeley Lab’s C3, kurš bija Goldšteina līdzstrādnieks.
Viņš norāda, ka ar klasifikatora palīdzību pētnieki var ātri un precīzi nošķirt supernovas kandidātu artefaktus. "Tas nozīmē, ka tā vietā, lai 20 supernovas darba grupas zinātnieki katru nakti nepārtraukti izsijātu tūkstošiem kandidātu, jūs varat iecelt vienu personu, lai apskatītu varbūt dažus simtus spēcīgu kandidātu," saka Tomass. "Tas ievērojami paātrina mūsu darbplūsmu un ļauj reālā laikā identificēt supernovas, kas ir ļoti svarīgi, lai veiktu turpmākos novērojumus."
"Izmantojot superdatorā aptuveni 60 serdeņus, aptuveni 20 minūtēs varam klasificēt 200 000 atklājumu, ieskaitot laiku datu bāzes mijiedarbībai un funkciju ieguvei." saka Goldšteins.
Goldšteins un Tomass atzīmē, ka nākamais solis šajā darbā ir mašīnmācīšanās otrā līmeņa pievienošana cauruļvadam, lai uzlabotu klasifikācijas precizitāti. Šis papildu slānis ņemtu vērā to, kā objekts tika klasificēts iepriekšējos novērojumos, jo tas nosaka varbūtību, ka kandidāts ir “reāls”. Pētnieki un viņu kolēģi pašlaik strādā pie dažādām pieejām, lai sasniegtu šo iespēju.
