Από τις αρχές του 20ού αιώνα, οι επιστήμονες και οι φυσικοί έχουν επιβαρυνθεί με την εξήγηση πώς και γιατί το Σύμπαν φαίνεται να επεκτείνεται με επιταχυνόμενο ρυθμό. Εκτός από την ευθύνη για την κοσμική επιτάχυνση, αυτή η ενέργεια θεωρείται επίσης ότι αποτελεί το 68,3% της μη ορατής μάζας του σύμπαντος.
Όπως και η σκοτεινή ύλη, η ύπαρξη αυτής της αόρατης δύναμης βασίζεται σε παρατηρήσιμα φαινόμενα και επειδή συμβαίνει να ταιριάζει με τα τρέχοντα μοντέλα κοσμολογίας μας και όχι με άμεσες αποδείξεις. Αντ 'αυτού, οι επιστήμονες πρέπει να βασίζονται σε έμμεσες παρατηρήσεις, παρακολουθώντας πόσο γρήγορα τα κοσμικά αντικείμενα (συγκεκριμένα Supernova τύπου Ia) υποχωρούν από εμάς καθώς το σύμπαν επεκτείνεται.
Αυτή η διαδικασία θα ήταν εξαιρετικά κουραστική για τους επιστήμονες - όπως εκείνοι που εργάζονται για την Έρευνα Σκοτεινής Ενέργειας (DES) - αν όχι για τους νέους αλγόριθμους που αναπτύχθηκαν συνεργατικά από ερευνητές του Εθνικού Εργαστηρίου Lawrence Berkeley και του UC Berkeley.
"Ο αλγόριθμός μας μπορεί να ταξινομήσει την ανίχνευση ενός υποψηφίου σουπερνόβα σε περίπου 0,01 δευτερόλεπτα, ενώ ένας έμπειρος ανθρώπινος σαρωτής μπορεί να διαρκέσει αρκετά δευτερόλεπτα", δήλωσε ο Danny Goldstein, ένας μεταπτυχιακός φοιτητής του UC Berkeley που ανέπτυξε τον κώδικα για την αυτοματοποίηση της διαδικασίας ανακάλυψης σουπερνόβα σε εικόνες DES .
Επί του παρόντος στη δεύτερη σεζόν του, ο DES τραβά τις νυχτερινές φωτογραφίες του Νότιου Ουρανού με το DECam - μια κάμερα 570 megapixel που είναι τοποθετημένη στο τηλεσκόπιο Victor M. Blanco στο Cerro Tololo Interamerican Observatory (CTIO) στις Χιλιές Άνδεις. Κάθε βράδυ, η κάμερα παράγει μεταξύ 100 Gigabytes (GB) και 1 Terabyte (TB) δεδομένων απεικόνισης, τα οποία αποστέλλονται στο Εθνικό Κέντρο Εφαρμογών Υπερυπολογιστών (NCSA) και το DOE's Fermilab στο Ιλινόις για αρχική επεξεργασία και αρχειοθέτηση.
Προγράμματα αναγνώρισης αντικειμένων που αναπτύχθηκαν στο Εθνικό Κέντρο Επιστημονικής Υπολογιστικής Έρευνας Ενέργειας (NERSC) και εφαρμόστηκαν στο NCSA, στη συνέχεια χτενίζουν τις εικόνες σε αναζήτηση πιθανών ανιχνεύσεων των σουπερνόβα τύπου Ια. Αυτές οι ισχυρές εκρήξεις συμβαίνουν σε συστήματα δυαδικών αστεριών όπου ένα αστέρι είναι ένας λευκός νάνος, ο οποίος συγκεντρώνει υλικό από ένα συνοδευτικό αστέρι μέχρι να φτάσει σε μια κρίσιμη μάζα και να εκραγεί σε μια σουπερνόβα τύπου Ia.
«Αυτές οι εκρήξεις είναι αξιοσημείωτες επειδή μπορούν να χρησιμοποιηθούν ως δείκτες κοσμικής απόστασης με ακρίβεια 3-10 τοις εκατό», λέει ο Goldstein.
Η απόσταση είναι σημαντική επειδή όσο πιο μακριά βρίσκεται ένα αντικείμενο στο διάστημα, τόσο πιο πίσω είναι στο παρελθόν. Παρακολουθώντας σουπερνόβα τύπου Ia σε διαφορετικές αποστάσεις, οι ερευνητές μπορούν να μετρήσουν την κοσμική επέκταση σε όλη την ιστορία του σύμπαντος. Αυτό τους επιτρέπει να θέτουν περιορισμούς στο πόσο γρήγορα επεκτείνεται το σύμπαν και ίσως παρέχουν ακόμη και άλλες ενδείξεις σχετικά με τη φύση της σκοτεινής ενέργειας.
«Επιστημονικά, είναι μια πραγματικά συναρπαστική στιγμή, επειδή πολλές ομάδες σε όλο τον κόσμο προσπαθούν να μετρήσουν με ακρίβεια τις σουπερνόβες τύπου Ia προκειμένου να περιορίσουν και να κατανοήσουν τη σκοτεινή ενέργεια που οδηγεί στην επιταχυνόμενη επέκταση του σύμπαντος», λέει ο Goldstein, ο οποίος είναι επίσης μαθητής ερευνητής στο Κέντρο Υπολογιστικής Κοσμολογίας του Berkeley Lab (C3).
Ο DES ξεκινά την αναζήτησή του για εκρήξεις τύπου Ia αποκαλύπτοντας αλλαγές στον νυχτερινό ουρανό, όπου αναπτύσσεται και υλοποιείται ο αγωγός αφαίρεσης εικόνας από ερευνητές στην ομάδα εργασίας DES supernova. Ο αγωγός αφαιρεί εικόνες που περιέχουν γνωστά κοσμικά αντικείμενα από νέες εικόνες που εκτίθενται κάθε βράδυ στο CTIO.
Κάθε βράδυ, ο αγωγός παράγει μεταξύ 10.000 και μερικές εκατοντάδες χιλιάδες ανιχνεύσεις υποψηφίων σουπερνόβα που πρέπει να επικυρωθούν.
«Ιστορικά, οι εκπαιδευμένοι αστρονόμοι κάθονταν στον υπολογιστή για ώρες, κοιτούσαν αυτές τις κουκκίδες και έδωσαν απόψεις για το αν είχαν τα χαρακτηριστικά ενός σουπερνόβα ή αν προκλήθηκαν από ψευδείς επιδράσεις που μεταμφιέζονται στα σουπερνόβα στα δεδομένα. Αυτή η διαδικασία φαίνεται απλή έως ότου συνειδητοποιήσετε ότι ο αριθμός των υποψηφίων που πρέπει να ταξινομούνται κάθε βράδυ είναι απαγορευτικά μεγάλος και μόνο ένας στους λίγους εκατοντάδες είναι μια πραγματική σουπερνόβα οποιουδήποτε τύπου », λέει ο Goldstein. «Αυτή η διαδικασία είναι εξαιρετικά κουραστική και χρονοβόρα. Επίσης, ασκεί μεγάλη πίεση στην ομάδα εργασίας της σουπερνόβα για γρήγορη επεξεργασία και σάρωση δεδομένων, κάτι που είναι σκληρή δουλειά. "
Για να απλοποιήσει το καθήκον του ελέγχου των υποψηφίων, η Goldstein ανέπτυξε έναν κώδικα που χρησιμοποιεί την τεχνική μηχανικής εκμάθησης "Random Forest" για να ελέγξει αυτόματα τις ανιχνεύσεις των υποψηφίων σουπερνόβα και σε πραγματικό χρόνο για να τους βελτιστοποιήσει για το DES. Η τεχνική χρησιμοποιεί ένα σύνολο δέντρων αποφάσεων για την αυτόματη υποβολή των τύπων ερωτήσεων που συνήθως θα εξετάσουν οι αστρονόμοι κατά την ταξινόμηση των υποψηφίων σουπερνόβα.
Στο τέλος της διαδικασίας, σε κάθε ανίχνευση ενός υποψηφίου δίνεται βαθμολογία με βάση το κλάσμα των δέντρων απόφασης που θεώρησαν ότι έχει τα χαρακτηριστικά μιας ανίχνευσης ενός σουπερνόβα. Όσο πιο κοντά είναι το σκορ ταξινόμησης σε ένα, τόσο ισχυρότερος είναι ο υποψήφιος. Η Goldstein σημειώνει ότι σε προκαταρκτικές δοκιμές, ο αγωγός ταξινόμησης πέτυχε 96% συνολική ακρίβεια.
"Όταν κάνετε αφαίρεση μόνοι σας, έχετε πάρα πολλά" ψευδώς θετικά "- τεχνικά όργανα ή λογισμικά που εμφανίζονται ως πιθανοί υποψήφιοι σουπερνόβα - για να περάσουν οι άνθρωποι", λέει ο Rollin Thomas, του C3 του Berkeley Lab, ο οποίος ήταν συνεργάτης της Goldstein.
Σημειώνει ότι με τον ταξινομητή, οι ερευνητές μπορούν γρήγορα και με ακρίβεια να στραγγίσουν τα αντικείμενα από υποψήφιους σουπερνόβα. «Αυτό σημαίνει ότι αντί να έχουμε 20 επιστήμονες από την ομάδα εργασίας της σουπερνόβα διαρκώς διαλέγοντας χιλιάδες υποψηφίους κάθε βράδυ, μπορείτε απλά να ορίσετε ένα άτομο για να εξετάσετε ίσως μερικές εκατοντάδες ισχυρούς υποψηφίους», λέει ο Thomas. "Αυτό επιταχύνει σημαντικά τη ροή εργασίας μας και μας επιτρέπει να εντοπίζουμε τις σουπερνόβες σε πραγματικό χρόνο, κάτι που είναι ζωτικής σημασίας για τη διεξαγωγή παρατηρήσεων παρακολούθησης."
«Χρησιμοποιώντας περίπου 60 πυρήνες σε έναν υπερυπολογιστή μπορούμε να ταξινομήσουμε 200.000 ανιχνεύσεις σε περίπου 20 λεπτά, συμπεριλαμβανομένου του χρόνου για αλληλεπίδραση βάσης δεδομένων και εξαγωγή χαρακτηριστικών.» λέει ο Goldstein.
Οι Goldstein και Thomas σημειώνουν ότι το επόμενο βήμα σε αυτό το έργο είναι η προσθήκη ενός δεύτερου επιπέδου της μηχανικής μάθησης στον αγωγό για τη βελτίωση της ακρίβειας της ταξινόμησης. Αυτό το επιπλέον επίπεδο θα λαμβάνει υπόψη τον τρόπο ταξινόμησης του αντικειμένου σε προηγούμενες παρατηρήσεις καθώς καθορίζει την πιθανότητα ότι ο υποψήφιος είναι "πραγματικός". Οι ερευνητές και οι συνάδελφοί τους εργάζονται επί του παρόντος σε διαφορετικές προσεγγίσεις για την επίτευξη αυτής της ικανότητας.
