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.
Ao treinar um modelo de aprendizado de máquina para categorizar supernovas com base em suas características visíveis, os astrônomos foram capazes de classificar 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.
Cassiopeia A, ou Cas A, é um remanescente de supernova localizado a 10.000 anos-luz de distância na constelação de Cassiopeia, e é o remanescente de uma estrela outrora massiva que morreu em uma explosão violenta há aproximadamente 340 anos. Esta imagem fornece camadas de dados infravermelhos, visíveis e de raios-X para revelar estruturas filamentosas de poeira e gás. Crédito: NASA / JPL-Caltech / STScI / CXC / SAO
“Temos aproximadamente 2.500 supernovas com curvas de luz do Pan-STARRS1 Medium Deep Survey e, dessas, 500 supernovas com espectros que podem ser usados para classificação”, disse Griffin Hosseinzadeh, pesquisador de pós-doutorado no Center for Astrophysics, Harvard & Smithsonian , e autor principal do artigo.
“Treinamos o classificador usando essas 500 supernovas para classificar as supernovas restantes onde não fomos capazes de observar o espectro.”
Edo Berger, 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 alimentar o conhecimento real existente, ele leva à mais alta precisão, entre 80 e 90 por cento. ”
É a primeira vez que astrônomos têm acesso a um conjunto de dados reais grande o suficiente para treinar um classificador de supernovas baseado em inteligência artificial, tornando possível a criação de algoritmos de aprendizado de máquina sem o uso de simulações.
Agora, os astrônomos usaram dados reais para treinar nossos classificadores, isso significa que a precisão medida é provavelmente mais representativa de como nossos classificadores irão se comportar em outras pesquisas.
“Se você fizer uma curva de luz simulada, significa que está fazendo uma suposição sobre a aparência das supernovas e seu classificador aprenderá essas suposições também”, disse Hosseinzadeh.
Como 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. “Seremos capazes de estudá-los em retrospecto e em tempo real para selecionar os eventos mais interessantes para um acompanhamento detalhado. Usaremos o algoritmo para nos ajudar a escolher as agulhas e também a olhar para o palheiro ”, disse Berger.
“Quando o Observatório Rubin estiver online, aumentará nossa taxa de descoberta de supernovas em 100 vezes, mas nossos recursos espectroscópicos não aumentarão”, disse Ashley Villar, Simons Junior Fellow da Universidade de Columbia e autora principal do segundo dos dois artigos , acrescentando que, embora cerca de 10.000 supernovas sejam descobertas a cada ano, os cientistas coletam apenas espectros de cerca de 10% desses objetos.
“Se isso for verdade, significa que apenas 0,1% 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. ”
Os astrônomos criaram agora um software acessível e fácil de usar, e também divulgaram todos os dados do Pan-STARRS1 Medium Deep Survey junto com as novas classificações para uso em outros projetos.
Fonte : messagetoeagle
Texto Original : Eddie Gonzales Jr.
Tradução : Fatos Curiosos
Discussion about this post