Cassiopea A è un resto di supernova situato a 10mila anni luce di distanza, nella costellazione di Cassiopea. È il residuo di una stella un tempo massiccia che morì in una violenta esplosione circa 340 anni fa. Questa immagine sovrappone i dati a infrarossi, visibili e a raggi X per rivelare strutture filamentose di polvere e gas. Cassiopea A rientra nel 10 per cento delle supernove che gli scienziati sono in grado di studiare da vicino. Il nuovo progetto di machine learning di CfA aiuterà a classificare migliaia, e alla fine milioni, di supernove potenzialmente interessanti che altrimenti potrebbero non essere mai studiate. Crediti: Nasa/Jpl-Caltech/Stsci/Cxc/Sao
Ancora una volta gli algoritmi di machine learning vengono in aiuto degli astronomi che, addestrando un modello di apprendimento automatico, sono stati in grado di classificare – senza il tradizionale uso degli spettri – ben 2315 supernove partendo dai dati reali della Pan-Starrs1 Medium Deep Survey, con una precisione dell’82 per cento.
Gli scienziati hanno sviluppato un software che classifica diversi tipi di supernove in base alle loro curve di luce, che descrivono il modo in cui la loro luminosità cambia nel tempo. «Dalla survey Pan-Starrs1 Medium Deep abbiamo circa 2500 supernove con curve di luce e, di queste, 500 supernove con spettri che possono essere utilizzati per la classificazione», spiega Griffin Hosseinzadeh, ricercatore postdoc presso il Center for Astrophysics | Harvard & Smithsonian (CfA) e primo autore del primo dei due articoli pubblicati su The Astrophysical Journal. «Abbiamo “addestrato” il classificatore utilizzando quelle 500 supernove per classificare le restanti 2000, per le quali non siamo stati in grado di ottenere lo spettro».
Sebbene questo non sia il primo progetto di apprendimento automatico per la classificazione delle supernove, è la prima volta che gli astronomi hanno accesso a un set di dati reale abbastanza grande da addestrare un classificatore di supernove basato sull’intelligenza artificiale, rendendo possibile la creazione di algoritmi di apprendimento automatico senza l’uso di simulazioni.
«Se crei una curva di luce simulata, significa che stai facendo un’ipotesi su come saranno le supernove, e il tuo classificatore imparerà anche questa ipotesi», spiega Hosseinzadeh. «La natura genererà sempre alcune complicazioni aggiuntive di cui non hai tenuto conto, il che significa che il tuo classificatore non funzionerà altrettanto bene sui dati reali, come sui dati simulati. Poiché abbiamo utilizzato dati reali per addestrare i nostri classificatori, l’accuratezza misurata è probabilmente più rappresentativa di come i nostri classificatori si comporteranno in altre survey». Mentre il classificatore classifica le supernove, riporta Edo Berger, «saremo in grado di studiarle sia a posteriori che in tempo reale, per individuare gli eventi più interessanti su cui fare un follow-up dettagliato. Useremo l’algoritmo per aiutarci a individuare gli aghi e anche per guardare il pagliaio».
Il progetto ha implicazioni non solo per i dati d’archivio, ma anche per i dati che saranno raccolti dai futuri telescopi. Quando l’Osservatorio Vera C. Rubin diventerà attivo – presumibilmente nel 2023 – porterà alla scoperta di milioni di nuove supernove ogni anno. Questo rappresenta sia un’opportunità che una sfida per gli astrofisici, perché il tempo limitato del telescopio porta a classificazioni spettrali limitate. «Quando l’Osservatorio Rubin sarà accessibile, aumenterà di cento volte il nostro tasso di scoperta di supernove, ma le nostre risorse spettroscopiche non aumenteranno», conferma Ashley Villar, della Columbia University e prima autrice del secondo dei due articoli, aggiungendo che mentre attualmente vengono scoperte circa 10mila supernove ogni anno, gli scienziati prendono spettri di solo circa il 10 per cento di quegli oggetti. «Se così sarà, significa che solo lo 0.1 per cento delle supernove scoperte dall’Osservatorio Rubin ogni anno riceverà una label spettroscopica. Il restante 99.9 per cento dei dati sarà inutilizzabile senza metodi come il nostro».
A differenza degli sforzi passati, in cui i set di dati e le classificazioni erano disponibili solo per un numero limitato di astronomi, i set di dati del nuovo algoritmo di apprendimento automatico saranno resi disponibili al pubblico. Gli astronomi hanno creato un software accessibile e facile da usare e hanno anche rilasciato tutti i dati della Pan-Starrs1 Medium Deep Survey, insieme alle nuove classificazioni da utilizzare in altri progetti. «Per noi era davvero importante che questi progetti fossero utili per l’intera comunità di supernove, non solo per il nostro gruppo. Ci sono così tanti progetti che possono essere realizzati con questi dati che non potremmo mai farli tutti da soli. Questi dati sono utilizzabili da tutti, per una scienza aperta», conclude Hosseinzadeh.
Per saperne di più:
- Leggi su arXiv il pre-print dell’articolo “SuperRAENN: A semi-supervised supernova photometric classification pipeline trained on Pan-STARRS1 Medium Deep Survey supernovae” di Ashley Villar, Griffin Hosseinzadeh, Edo Berger, Michelle Ntampaka, David O. Jones, Peter Challis, Ryan Chornock, Maria R. Drout, Ryan J. Foley, Robert P. Kirshner, Ragnhild Lunnan, Raffaella Margutti, Dan Milisavljevic, Nathan Sanders, Yen-Chen Pan, Armin Rest, Daniel M. Scolnic, Eugene Magnier, Nigel Metcalfe, Richard Wainscoat, Christopher Waters
- Leggi su arXiv il pre-print dell’articolo “Photometric Classification of 2315 Pan-STARRS1 Supernovae with Superphot” di Griffin Hosseinzadeh, Frederick Dauphin, V. Ashley Villar, Edo Berger, David O. Jones, Peter Challis, Ryan Chornock, Maria R. Drout, Ryan J. Foley, Robert P. Kirshner, Ragnhild Lunnan, Raffaella Margutti, Dan Milisavljevic, Yen-Chen Pan, Armin Rest, Daniel M. Scolnic, Eugene Magnier, Nigel Metcalfe, Richard Wainscoat, Christopher Waters