L’IA aiuta a scoprire nuove anomalie spaziali

Credito: Pixabay/CC0 di dominio pubblico

Il team SNAD, una rete internazionale di ricercatori tra cui il professore di facoltà dell’Università di fisica HSE, ha scoperto 11 anomalie spaziali precedentemente non rilevate, sette delle quali sono candidate a supernova. I ricercatori hanno analizzato le immagini digitali del cielo settentrionale scattate nel 2018 utilizzando un albero kD per rilevare le anomalie attraverso il metodo del “vicino più vicino”. Gli algoritmi di apprendimento automatico hanno aiutato ad automatizzare la ricerca. Il documento è pubblicato in Nuova astronomia.

La maggior parte delle scoperte astronomiche si sono basate su osservazioni con calcoli successivi. Mentre il numero totale di osservazioni nel 20° secolo era ancora relativamente piccolo, i volumi di dati sono aumentati drasticamente con l’arrivo di rilievi astronomici su larga scala. Ad esempio, la Zwicky Transient Facility (ZTF), che utilizza una telecamera ad ampio campo per rilevare il cielo settentrionale, genera circa 1,4 TB di dati per notte di osservazione e il suo catalogo contiene miliardi di oggetti. L’elaborazione manuale di tali enormi quantità di dati è sia costosa che dispendiosa in termini di tempo, quindi il team di ricercatori SNAD di Russia, Francia e Stati Uniti si è riunito per sviluppare una soluzione automatizzata.

Quando gli scienziati esaminano oggetti astronomici, osservano le loro curve di luce, che mostrano variazioni della luminosità di un oggetto in funzione del tempo. Gli osservatori prima identificano un lampo di luce nel cielo e poi seguono la sua evoluzione per vedere se la luce diventa più brillante o più debole nel tempo, o si spegne. In questo studio, i ricercatori hanno esaminato un milione di curve di luce reale dal catalogo ZTF del 2018 e sette modelli simulati di curve dal vivo dei tipi di oggetti oggetto di studio. In totale, hanno seguito circa 40 parametri, tra cui l’ampiezza della luminosità di un oggetto e il periodo di tempo.

“Abbiamo descritto le proprietà delle nostre simulazioni utilizzando una serie di caratteristiche che dovrebbero essere osservate in corpi astronomici reali. Nel set di dati di circa un milione di oggetti, stavamo cercando supernove superpotenti, supernove di tipo Ia, supernove di tipo II e maree eventi di interruzione”, spiega Konstantin Malanchev, coautore del documento e post-dottorato presso l’Università dell’Illinois a Urbana-Champaign. “Ci riferiamo a tali classi di oggetti come anomalie. O sono molto rari, con proprietà poco conosciute, o sembrano abbastanza interessanti da meritare ulteriori studi”.

I dati della curva di luce provenienti da oggetti reali sono stati quindi confrontati con quelli delle simulazioni utilizzando l’algoritmo dell’albero kD. Un albero kD è una struttura di dati geometrici per dividere lo spazio in parti più piccole tagliandolo con iperpiani, piani, linee o punti. Nella ricerca attuale, questo algoritmo è stato utilizzato per restringere l’intervallo di ricerca durante la ricerca di oggetti reali con proprietà simili a quelle descritte nelle sette simulazioni.

Successivamente, il team ha identificato 15 vicini più vicini, oggetti reali del database ZTF, per ogni simulazione, 105 corrispondenze in totale, che i ricercatori hanno poi esaminato visivamente per verificare la presenza di anomalie. La verifica manuale ha confermato 11 anomalie, di cui sette erano candidate a supernova e quattro erano candidati a nuclei galattici attivi in ​​cui potevano verificarsi eventi di interruzione delle maree.

“Questo è un ottimo risultato”, commenta Maria Pruzhinskaya, coautrice dell’articolo e ricercatrice presso lo Sternberg Astronomical Institute. “Oltre agli oggetti rari già scoperti, siamo stati in grado di rilevarne diversi nuovi precedentemente persi dagli astronomi. Ciò significa che gli algoritmi di ricerca esistenti possono essere migliorati per evitare di perdere tali oggetti”.

Questo studio dimostra che il metodo è altamente efficace, mentre è relativamente facile da applicare. L’algoritmo proposto per rilevare fenomeni spaziali di un certo tipo è universale e può essere utilizzato per scoprire qualsiasi oggetto astronomico interessante, non limitato a rari tipi di supernovae.

“I fenomeni astronomici e astrofisici che non sono stati ancora scoperti sono in realtà delle anomalie”, secondo Matvey Kornilov, professore associato della Facoltà di fisica dell’Università HSE. “Ci si aspetta che le loro manifestazioni osservate differiscano dalle proprietà degli oggetti conosciuti. In futuro, proveremo a utilizzare il nostro metodo per scoprire nuove classi di oggetti”.


Una nuova pipeline di rilevamento delle anomalie per la scoperta astronomica e i sistemi di raccomandazione


Maggiori informazioni:
PD Aleo et al, minatore transitorio SNAD: trovare eventi transitori persi in ZTF DR4 utilizzando alberi kD, Nuova astronomia (2022). DOI: 10.1016/j.newast.2022.101846

Fornito da National Research University Higher School of Economics

Citazione: L’IA aiuta a scoprire nuove anomalie spaziali (2022, 5 agosto) recuperate il 5 agosto 2022 da https://phys.org/news/2022-08-ai-space-anomalies.html

Questo documento è soggetto a copyright. Al di fuori di qualsiasi correttezza commerciale a fini di studio o ricerca privati, nessuna parte può essere riprodotta senza il permesso scritto. Il contenuto è fornito a solo scopo informativo.

Leave a Comment