KI hilft bei der Entdeckung neuer Weltraumanomalien

Das SNAD-Team, ein internationales Netzwerk von Forschern, darunter Matvey Kornilov, außerordentlicher Professor der HSE University Fakultät für Physik, hat 11 zuvor unentdeckte Weltraumanomalien entdeckt, von denen sieben Supernova-Kandidaten sind. Die Forscher analysierten digitale Bilder des Nordhimmels, die 2018 mit einem kD-Baum aufgenommen wurden, um Anomalien mit der Methode des „nächsten Nachbarn“ zu erkennen. Algorithmen für maschinelles Lernen halfen dabei, die Suche zu automatisieren. Das Papier ist veröffentlicht in Neue Astronomie.

Die meisten astronomischen Entdeckungen basierten auf Beobachtungen mit anschließenden Berechnungen. Während die Gesamtzahl der Beobachtungen im 20. Jahrhundert noch relativ gering war, stiegen die Datenmengen mit dem Aufkommen groß angelegter astronomischer Durchmusterungen drastisch an. Zum Beispiel die Zwicky Übergangseinrichtung (ZTF), das eine Weitfeldkamera zur Vermessung des Nordhimmels verwendet, generiert ∼1,4 TB an Daten pro Beobachtungsnacht und sein Katalog enthält Milliarden von Objekten. Die manuelle Verarbeitung solch enormer Datenmengen ist sowohl teuer als auch zeitaufwändig, so die VIELLEICHT Forscherteam aus Russland, Frankreich und den USA kam zusammen, um eine automatisierte Lösung zu entwickeln.

Wenn Wissenschaftler astronomische Objekte untersuchen, beobachten sie ihre Lichtkurven, die Variationen der Helligkeit eines Objekts als Funktion der Zeit zeigen. Die Beobachter identifizieren zunächst einen Lichtblitz am Himmel und verfolgen dann seine Entwicklung, um zu sehen, ob das Licht mit der Zeit heller oder schwächer wird oder erlischt. In dieser Studie untersuchten die Forscher eine Million echte Lichtkurven aus dem ZTF-Katalog 2018 und sieben simulierte Live-Kurvenmodelle der untersuchten Objekttypen. Insgesamt folgten sie rund 40 Parametern, darunter die Helligkeitsamplitude eines Objekts und der Zeitrahmen.

„Wir haben die Eigenschaften unserer Simulationen anhand einer Reihe von Merkmalen beschrieben, die in echten astronomischen Körpern zu erwarten sind. In dem Datensatz von etwa einer Million Objekten suchten wir nach superstarken Supernovae, Typ-Ia-Supernovae, Typ-II-Supernovae und Gezeitenstörungen“, erklärt Konstantin Malanchev, Co-Autor der Arbeit und Postdoc an der University of Illinois at Urbana-Champagner. „Wir bezeichnen solche Klassen von Objekten als Anomalien. Sie sind entweder sehr selten, haben wenig bekannte Eigenschaften oder erscheinen interessant genug, um weitere Studien zu verdienen.’

Die Lichtkurvendaten von realen Objekten wurden dann mit denen von Simulationen unter Verwendung des kD-Baum-Algorithmus verglichen. Ein kD-Baum ist eine geometrische Datenstruktur zum Aufteilen des Raums in kleinere Teile, indem er mit Hyperebenen, Ebenen, Linien oder Punkten geschnitten wird. In der aktuellen Forschung wurde dieser Algorithmus verwendet, um den Suchbereich bei der Suche nach realen Objekten mit ähnlichen Eigenschaften wie den in den sieben Simulationen beschriebenen einzugrenzen.

Anschließend identifizierte das Team für jede Simulation 15 nächste Nachbarn, also reale Objekte aus der ZTF-Datenbank, insgesamt 105 Übereinstimmungen, die die Forscher dann visuell auf Anomalien untersuchten. Die manuelle Überprüfung bestätigte 11 Anomalien, von denen sieben Kandidaten für Supernovae waren und vier Kandidaten für aktive galaktische Kerne waren, bei denen Gezeitenstörungen auftreten könnten.

“Das ist ein sehr gutes Ergebnis”, kommentiert Maria Pruzhinskaya, Co-Autorin der Veröffentlichung und Forschungsstipendiatin am Sternberg Astronomical Institute. „Zusätzlich zu den bereits entdeckten seltenen Objekten konnten wir mehrere neue entdecken, die zuvor von Astronomen übersehen wurden. Das bedeutet, dass bestehende Suchalgorithmen verbessert werden können, um solche Objekte nicht zu übersehen.’

Diese Studie zeigt, dass die Methode hochwirksam ist, während sie relativ einfach anzuwenden ist. Der vorgeschlagene Algorithmus zur Erkennung von Weltraumphänomenen eines bestimmten Typs ist universell und kann verwendet werden, um alle interessanten astronomischen Objekte zu entdecken, die nicht auf seltene Arten von Supernovae beschränkt sind.

“Astronomische und astrophysikalische Phänomene, die noch nicht entdeckt wurden, sind in Wirklichkeit Anomalien”, heißt es Matwej Kornilow, Außerordentlicher Professor der Fakultät für Physik der HSE University. „Es wird erwartet, dass sich ihre beobachteten Manifestationen von den Eigenschaften bekannter Objekte unterscheiden. In Zukunft werden wir versuchen, mit unserer Methode neue Klassen von Objekten zu entdecken.’


Haftungsausschluss: AAAS und EurekAlert! sind nicht verantwortlich für die Richtigkeit der auf EurekAlert veröffentlichten Pressemitteilungen! durch beitragende Institutionen oder für die Verwendung von Auskunftrmationen über das EurekAlert-System.

Newsletter

Leave a Reply

Your email address will not be published.

This site uses Akismet to reduce spam. Learn how your comment data is processed.