La investigación de Caltech presenta “SNIascore”, un método para clasificar espectroscópicamente las supernovas termonucleares (SNeIa) basado en datos de baja resolución (R 100) basados ​​en aprendizaje profundo. El objetivo de SNIascore es automatizar completamente la clasificación SNe Ia con una tasa de falsos positivos (FPR) muy baja para que las personas no tengan que hacer tanto trabajo.

En el Centro de transitorios de Zwicky (ZTF), sondeos de transitorios brillantes y otros esfuerzos a gran escala para clasificar los SN (BTS). Utilizan una arquitectura de red neuronal recurrente con memoria a largo plazo que se ejecuta en ambas direcciones y capas de unidades recurrentes controladas por puertas. SNIascore tiene un FPR del 0,6 % y puede clasificar hasta el 90 % de los espectros SN Ia de baja resolución en BTS. Clasificación binaria SNIascore y regresión para predecir el corrimiento al rojo de SNeIa seguro. Cuando SNIascore se utiliza con una encuesta ZTF BTS de tamaño limitado (70 % SNe Ia), la cantidad de espectros que una persona debe clasificar o confirmar se reduce en aproximadamente un 60 %.

Además, SNIascore permite anunciar automáticamente las calificaciones de SN Ia al público en tiempo real justo después de que se lleva a cabo la guardia nocturna.

Los astrónomos están tratando de responder algunas de las preguntas científicas más emocionantes e importantes en este momento, que a menudo requieren que recopilen mucha información sobre varios eventos cósmicos. Por ello, los observatorios astronómicos modernos se han convertido en máquinas que envían a los astrónomos decenas de miles de alertas e imágenes cada noche. Esto es especialmente cierto en la astronomía en el dominio del tiempo, donde los científicos buscan cosas que cambian rápidamente, llamadas transitorios. Estos incluyen estrellas que explotan y mueren, llamadas supernovas, y agujeros negros que se comen las estrellas que orbitan, asteroides y otras cosas.

El algoritmo de aprendizaje automático propuesto es mucho más rápido para clasificar posibles supernovas potenciales y compartir los resultados con la comunidad astronómica. También da a los astrónomos más tiempo para trabajar en otras cuestiones científicas. Con SNIascore, el proceso tarda unos diez minutos en lugar de dos o tres días. Las explosiones en el espacio deben detectarse lo más rápido posible para que los científicos puedan aprender más sobre cómo funcionan.

Por ahora, solo SNIascore puede clasificar las supernovas de tipo Ia, que los astrónomos usan como “candelas estándar” para medir qué tan rápido se expande el universo. Estas estrellas mueren, y cuando explotan, lo hacen en una poderosa explosión termonuclear.

El SNIascore ahora está configurado para trabajar con el espectrómetro SEDM (Máquina de distribución de energía espectral), ubicado en una cúpula en el Observatorio Palomar, a unos cientos de pies de la cámara ZTF. El ZTF mira al cielo todo el tiempo y los astrónomos de todo el mundo envían decenas de miles de alertas cada noche sobre posibilidades cósmicas fugaces. El espectrómetro SEDM está configurado para rastrear y observar los más interesantes. Hace un espectro de eventos cósmicos, que muestra qué tan fuertes son las diferentes frecuencias de luz capturadas por la cámara del telescopio. Los astrónomos pueden estar seguros del tipo de evento que están viendo gracias a este espectro. El investigador utilizó técnicas inteligentes de aprendizaje automático para enseñar a SNIascore a leer bien los espectros SEDM.

Actualmente, los investigadores están realizando cambios en el SNIascore para trabajar con el nuevo espectrómetro SEDMv2 que se colocará en el telescopio de 2,1 metros. SEDMv2 será una versión mejorada de SEDM. Podrá encontrar y clasificar una supernova menos brillante. Actualmente, el SNIascore clasifica alrededor de dos supernovas por noche. Este número podría duplicarse si se utiliza SEDMv2.

Los beneficios de SNIascore van más allá de generar grandes conjuntos de datos de supernovas de manera rápida y confiable. Los astrónomos que buscan otros tipos de eventos en tránsito pueden descartar rápidamente candidatos que SNIascore dice que son supernovas. Esto significa que no se pierde el tiempo del telescopio siguiéndolos cuando se buscan otros tipos de explosiones en el espacio.

Otros intentos de clasificar los eventos transitorios también usan el aprendizaje automático, pero solo usan la “curva de luz” del evento o la cantidad de luz que ve un telescopio a lo largo del tiempo. El SNIascore es bueno porque está entrenado y utiliza información espectral, que es la única forma confiable de confirmar cuáles son la mayoría de los transitorios. El código del algoritmo es público, por lo que otros grupos pueden cambiarlo para que funcione con sus telescopios.

escanear el papel Y el Artículo de referencia. Todo el crédito por esta investigación es para los investigadores de este proyecto. Además, no olvides unirte Nuestra página de Reddit Y el canal de discordiadonde compartimos las últimas noticias de investigación de IA, interesantes proyectos de IA y más.