A inteligência artificial é classificar explosões reais de supernovas sem o uso tradicional de espectros, graças a uma equipe de astrônomos do Center for Astrophysics | Harvard &Smithsonian. Os conjuntos de dados completos e as classificações resultantes estão disponíveis publicamente para uso aberto.

Ao treinar um modelo de aprendizado de máquina para categorizar supernovas com base em suas características visíveis, os astrônomos foram capazes de classificar os dados reais do Pan-STARRS1 Medium Deep Survey para 2, 315 supernovas com uma taxa de precisão de 82 por cento sem o uso de espectros.

Os astrônomos desenvolveram um programa de software que classifica diferentes tipos de supernovas com base em suas curvas de luz, ou como seu brilho muda com o tempo. "Temos aproximadamente 2, 500 supernovas com curvas de luz do Pan-STARRS1 Medium Deep Survey, e daqueles, 500 supernovas com espectros que podem ser usados ​​para classificação, "disse Griffin Hosseinzadeh, pesquisador de pós-doutorado no CfA e autor principal do primeiro de dois artigos publicados em The Astrophysical Journal . "Treinamos o classificador usando essas 500 supernovas para classificar as supernovas restantes onde não fomos capazes de observar o espectro."

Edo Berger, um astrônomo do CfA explicou que, ao pedir à inteligência artificial para responder a perguntas específicas, os resultados se tornam cada vez mais precisos. "O aprendizado de máquina procura uma correlação com os 500 rótulos espectroscópicos originais. Pedimos que compare as supernovas em diferentes categorias:cor, taxa de evolução, ou brilho. Ao alimentá-lo com o conhecimento real existente, leva à mais alta precisão, entre 80 e 90 por cento. "

Embora este não seja o primeiro projeto de aprendizado de máquina para classificação de supernovas, é a primeira vez que os astrônomos tiveram acesso a um conjunto de dados reais grande o suficiente para treinar um classificador de supernovas baseado em inteligência artificial, possibilitando a criação de algoritmos de aprendizado de máquina sem o uso de simulações.

"Se você fizer uma curva de luz simulada, significa que você está fazendo uma suposição sobre a aparência das supernovas, e seu classificador aprenderá essas suposições também, "disse Hosseinzadeh." A natureza sempre lançará algumas complicações adicionais nas quais você não contabilizou, o que significa que seu classificador não se sairá tão bem com dados reais quanto com dados simulados. Porque usamos dados reais para treinar nossos classificadores, isso significa que nossa precisão medida é provavelmente mais representativa do desempenho de nossos classificadores em outras pesquisas. "À medida que o classificador categoriza as supernovas, disse Berger, "Seremos capazes de estudá-los em retrospecto e em tempo real para escolher os eventos mais interessantes para um acompanhamento detalhado. Usaremos o algoritmo para nos ajudar a escolher as agulhas e também para olhar o palheiro."

O projeto tem implicações não apenas para dados de arquivo, mas também para dados que serão coletados por telescópios futuros. Espera-se que o Observatório Vera C. Rubin entre em operação em 2023, e levará à descoberta de milhões de novas supernovas a cada ano. Isso apresenta oportunidades e desafios para os astrofísicos, onde o tempo limitado do telescópio leva a classificações espectrais limitadas.

"Quando o Observatório Rubin ficar online, ele aumentará nossa taxa de descoberta de supernovas em 100 vezes, mas nossos recursos espectroscópicos não aumentarão, "disse Ashley Villar, um Simons Junior Fellow na Columbia University e autor principal do segundo dos dois artigos, adicionando enquanto cerca de 10, 000 supernovas são descobertas a cada ano, os cientistas obtêm espectros de apenas cerca de 10% desses objetos. "Se isso for verdade, isso significa que apenas 0,1 por cento das supernovas descobertas pelo Observatório Rubin a cada ano receberão um rótulo espectroscópico. Os 99,9 por cento restantes dos dados ficarão inutilizáveis ​​sem métodos como o nosso. "

Ao contrário dos esforços anteriores, onde conjuntos de dados e classificações estão disponíveis para apenas um número limitado de astrônomos, os conjuntos de dados do novo algoritmo de aprendizado de máquina serão disponibilizados publicamente. Os astrônomos criaram fácil de usar, software acessível, e também divulgou todos os dados do Pan-STARRS1 Medium Deep Survey junto com as novas classificações para uso em outros projetos. Hosseinzadeh disse, "Era muito importante para nós que esses projetos fossem úteis para toda a comunidade de supernovas, não apenas para o nosso grupo. Há tantos projetos que podem ser feitos com esses dados que nunca poderíamos fazer todos nós mesmos. ”Berger acrescentou, "Esses projetos são dados abertos para a ciência aberta."