Znanstveniki in fiziki so že od zgodnjega 20. stoletja obremenjeni s pojasnjevanjem, kako in zakaj se zdi, da se Vesolje širi s hitrostjo. Poleg tega, da je odgovorna za kozmični pospešek, ta energija predstavlja tudi 68,3% vesoljske nevidne mase.
Tako kot temna snov tudi obstoj te nevidne sile temelji na opaznih pojavih in ker se slučajno ujema z našimi trenutnimi modeli kozmologije in ne neposrednimi dokazi. Namesto tega se morajo znanstveniki zanašati na posredna opazovanja in opazovati, kako se hitro širijo vesoljski predmeti (zlasti supernove vrste Ia), ko se vesolje širi.
Ta proces bi bil za znanstvenike - kot tisti, ki delajo za raziskavo temne energije (DES) - zelo mučen, če ne bi bilo novih algoritmov, ki so jih skupaj razvili raziskovalci Nacionalnega laboratorija Lawrence Berkeley in UC Berkeley.
"Naš algoritem lahko razvrsti zaznavanje kandidata supernove v približno 0,01 sekunde, medtem ko izkušen skener človeka lahko traja nekaj sekund," je dejal Danny Goldstein, študent iz UC Berkeleyja, ki je razvil kodo za avtomatizacijo postopka odkritja supernove na DES slikah .
Trenutno v svoji drugi sezoni DES fotografira južno nebo z DECam - kamero s 570 milijoni slikovnih pik, ki je nameščena na teleskopu Victor M. Blanco v Mednarodnem observatoriju Cerro Tololo (CTIO) v čilskih Andih. Kamera vsak večer ustvari med 100 gigabajtov (GB) in 1 terabajt (TB) slikovnih podatkov, ki se pošljejo Nacionalnemu centru za superračunalniške aplikacije (NCSA) in ministrstvu za osebne namene Fermilabu v Illinoisu za začetno obdelavo in arhiviranje.
Programi za prepoznavanje predmetov, razviti v Nacionalnem znanstvenem računalniškem centru za raziskave na področju energije (NERSC) in izvedeni pri NCSA, se nato prepletajo skozi slike v iskanju možnih odkritij supernov tipa Ia. Te močne eksplozije se zgodijo v sistemih binarnih zvezd, kjer je ena zvezda bela pritlikavka, ki kopiči material iz spremljevalne zvezde, dokler ne doseže kritične mase in eksplodira v supernovi tipa Ia.
"Te eksplozije so izjemne, saj jih je mogoče uporabiti kot kozmične kazalnike razdalje z natančnostjo 3-10 odstotkov," pravi Goldstein.
Razdalja je pomembna, ker čim dlje se objekt nahaja v prostoru, toliko dlje nazaj v čas. S sledenjem supernovah tipa Ia na različnih razdaljah lahko raziskovalci izmerijo kozmično širitev v celotni zgodovini vesolja. To jim omogoča, da omejijo, kako hitro se vesolje širi, in morda celo dajo druge namige o naravi temne energije.
"Znanstveno gledano je resnično razburljiv čas, saj več skupin po vsem svetu skuša natančno izmeriti supernove vrste Ia, da bi omejilo in razumelo temno energijo, ki poganja pospešeno širitev vesolja," pravi Goldstein, ki je tudi študent raziskovalec v računskem centru za kozmologijo Berkeley Lab (C3).
DES začne raziskovanje eksplozij tipa Ia z odkrivanjem sprememb na nočnem nebu, od koder prihaja cevovod za odvzem slike, ki so ga razvili in izvajali raziskovalci v delovni skupini supernove DES. Cevovod od novih slik odšteje slike, ki vsebujejo znane kozmične predmete. ki so izpostavljeni ponoči na CTIO.
Vsako noč plinovod ustvari med 10.000 in nekaj sto tisoč odkritij kandidatov supernove, ki jih je treba potrditi.
"Zgodovinsko gledano so usposobljeni astronomi ure ure sedeli za računalnikom in si ogledali te pike ter ponujali mnenja o tem, ali imajo lastnosti supernove ali pa jih povzročajo lažni učinki, ki se v podatkih skrivajo kot supernove. Ta postopek se zdi preprost, dokler ne ugotovite, da je število kandidatov, ki jih je treba razvrstiti vsako noč, pretirano veliko in le eden od nekaj sto je prava supernova katere koli vrste, "pravi Goldstein. "Ta postopek je izredno mučen in dolgotrajen. Prav tako močno pritiska na delovno skupino supernove za hitro obdelavo in skeniranje podatkov, kar je težko delo. "
Za poenostavitev naloge preverjanja kandidatov je Goldstein razvil kodo, ki uporablja tehniko strojnega učenja "Naključni gozd", da samodejno in v realnem času preveri odkrivanje kandidatov supernove, da jih optimizira za DES. Tehnika uporablja skupino odločitvenih dreves za samodejno postavljanje vrst vprašanj, ki jih astronomi običajno upoštevajo pri razvrščanju kandidatov za supernove.
Na koncu postopka se vsakemu odkritju kandidata dodeli ocena na podlagi deleža odločitvenih dreves, za katera se šteje, da ima značilnosti odkrivanja supernove. Bolj ko je ocena razvrstitve enaka, močnejši je kandidat. Goldstein ugotavlja, da je v predhodnih preskusih klasifikacijski cevovod dosegel 96-odstotno skupno natančnost.
"Če odštejete samo, dobite veliko preveč" lažno pozitivnih "- instrumentalnih ali programskih artefaktov, ki se pojavijo kot potencialni kandidati za supernove - da bi jih ljudje lahko presejali," pravi Rollin Thomas iz podjetja C3 Berkeley Lab, C3, ki je sodeloval pri Goldsteinu.
Ugotavlja, da lahko raziskovalci s klasifikatorjem hitro in natančno odstranijo artefakte iz kandidatov za supernovo. "To pomeni, da namesto da bi 20 znanstvenikov iz delovne skupine supernove nenehno presejalo na tisoče kandidatov vsak večer, lahko samo imenujete eno osebo, ki bi si ogledala morda nekaj sto močnih kandidatov," pravi Thomas. "To znatno pospeši naš potek dela in nam omogoča, da v realnem času prepoznamo supernove, kar je ključno za nadaljnje opazovanje."
"Z uporabo približno 60 jeder na superračunalniku lahko razvrstimo 200.000 zaznav v približno 20 minutah, vključno s časom za interakcijo z bazo podatkov in odvzemom funkcij." pravi Goldstein.
Goldstein in Thomas ugotavljata, da je naslednji korak tega dela dodati celovito strojno učenje druge stopnje, da bi izboljšali natančnost klasifikacije. Ta dodatna plast bi upoštevala, kako je bil predmet razvrščen v prejšnjih opazovanjih, saj določa verjetnost, da je kandidat "resničen". Raziskovalci in njihovi kolegi trenutno delajo na različnih pristopih, da bi dosegli to sposobnost.