A equipe SNAD, uma rede internacional de pesquisadores, incluindo Matvey Kornilov, professor associado da Faculdade de Física da Universidade HSE, descobriu 11 anomalias espaciais não detectadas anteriormente, sete das quais são candidatas a supernovas. Os pesquisadores analisaram imagens digitais do céu do norte tiradas em 2018 usando uma árvore k-D para detectar anomalias através do método do 'vizinho mais próximo'. Algoritmos de aprendizado de máquina ajudaram a automatizar a pesquisa. O artigo é publicado em New Astronomy .
A maioria das descobertas astronômicas foram baseadas em observações com cálculos subsequentes. Embora o número total de observações no século 20 ainda fosse relativamente pequeno, os volumes de dados aumentaram drasticamente com a chegada de pesquisas astronômicas em larga escala. Por exemplo, o Zwicky Transient Facility (ZTF), que usa uma câmera de visão de campo amplo para pesquisar o céu do norte, gera cerca de 1,4 TB de dados por noite de observação e seu catálogo contém bilhões de objetos. O processamento manual de enormes quantidades de dados é caro e demorado, então a equipe de pesquisadores da SNAD da Rússia, França e EUA se uniu para desenvolver uma solução automatizada.

Quando os cientistas examinam objetos astronômicos, eles observam suas curvas de luz, que mostram variações do brilho de um objeto em função do tempo. Os observadores primeiro identificam um flash de luz no céu e depois seguem sua evolução para ver se a luz se torna mais brilhante ou mais fraca ao longo do tempo, ou se apaga. Neste estudo, os pesquisadores examinaram um milhão de curvas de luz reais do catálogo de 2018 da ZTF e sete modelos de curvas ao vivo simuladas dos tipos de objetos em estudo. No total, eles seguiram cerca de 40 parâmetros, incluindo a amplitude do brilho de um objeto e o período de tempo.

"Descrevemos as propriedades de nossas simulações usando um conjunto de características que devem ser observadas em corpos astronômicos reais. No conjunto de dados de aproximadamente um milhão de objetos, estávamos procurando supernovas superpoderosas, supernovas do tipo Ia, supernovas do tipo II e marés eventos disruptivos", explica Konstantin Malanchev, coautor do artigo e pós-doc na Universidade de Illinois em Urbana-Champaign. "Nós nos referimos a essas classes de objetos como anomalias. Eles são muito raros, com propriedades pouco conhecidas, ou parecem interessantes o suficiente para merecer um estudo mais aprofundado."

Os dados da curva de luz de objetos reais foram então comparados com os de simulações usando o algoritmo de árvore k-D. Uma árvore k-D é uma estrutura de dados geométrica para dividir o espaço em partes menores, cortando-o com hiperplanos, planos, linhas ou pontos. Na pesquisa atual, esse algoritmo foi usado para restringir o intervalo de busca ao procurar objetos reais com propriedades semelhantes às descritas nas sete simulações.

Posteriormente, a equipe identificou 15 vizinhos mais próximos, ou seja, objetos reais do banco de dados ZTF, para cada simulação – 105 correspondências no total, que os pesquisadores examinaram visualmente para verificar anomalias. A verificação manual confirmou 11 anomalias, das quais sete eram candidatas a supernovas e quatro eram candidatas a núcleos galácticos ativos onde poderiam ocorrer eventos de ruptura de maré.

"Este é um resultado muito bom", comenta Maria Pruzhinskaya, coautora do artigo e pesquisadora do Instituto Astronômico Sternberg. "Além dos objetos raros já descobertos, fomos capazes de detectar vários novos objetos anteriormente perdidos pelos astrônomos. Isso significa que os algoritmos de busca existentes podem ser melhorados para evitar a perda de tais objetos."

Este estudo demonstra que o método é altamente eficaz, embora relativamente fácil de aplicar. O algoritmo proposto para detectar fenômenos espaciais de um certo tipo é universal e pode ser usado para descobrir qualquer objeto astronômico interessante, não limitado a tipos raros de supernovas.

“Fenômenos astronômicos e astrofísicos que ainda não foram descobertos são de fato anomalias”, de acordo com Matvey Kornilov, professor associado da Faculdade de Física da Universidade HSE. "Espera-se que suas manifestações observadas sejam diferentes das propriedades de objetos conhecidos. No futuro, tentaremos usar nosso método para descobrir novas classes de objetos." + Explorar mais

Um novo pipeline de detecção de anomalias para sistemas de recomendação e descoberta astronômica