As instalações astronômicas de hoje varrem o céu noturno cada vez mais profunda e rapidamente do que nunca.
A identificação e classificação de eventos cósmicos conhecidos e potencialmente interessantes está se tornando impossível para um ou um grupo de astrônomos. Portanto, cada vez mais utilizam computadores para fazer o trabalho. Os astrônomos da colaboração ZTF (Zwicky Transient Facility) no Caltech anunciaram que o seu algoritmo de aprendizagem de máquina já classificou e relatou 1.000 supernovas de forma completamente autônoma.
Foi usado um novo algoritmo, denominado SNIascore. O SNIascore classificou a sua primeira supernova em abril de 2021 e um ano e meio depois atingiu o marco de 1.000 supernovas sem qualquer envolvimento humano. Muitas das questões científicas atuais e mais excitantes que os astrônomos estão tentando responder exigem que eles recolham grandes amostras de diferentes eventos cósmicos. Como resultado, os observatórios astronômicos modernos tornaram-se incansáveis máquinas geradoras de dados que lançam dezenas de milhares de alertas e imagens aos astrônomos todas as noites. Isto é particularmente verdade no campo da astronomia no domínio do tempo, em que os pesquisadores procuram objetos em rápida mudança, ou transientes, tais como estrelas em explosão ou moribundas conhecidas como supernovas, buracos negros que comem estrelas em órbita, asteroides e muito mais.
Para além de liberar tempo para os astrônomos perseguirem outras questões científicas, o algoritmo de aprendizagem de máquina é muito mais rápido na classificação de potenciais candidatos a supernova e o compartilhamento dos resultados com a comunidade astronômica. Com o SNIascore o processo é encurtado de 2 a 3 dias para 10 minutos, ou quase em tempo real.
Esta identificação precoce de explosões cósmicas é muitas vezes crítica para melhor estudar a sua física. Atualmente, o SNIascore só pode classificar o que é conhecido como supernovas do Tipo Ia, ou as "velas padrão" utilizadas pelos astrônomos para medir o ritmo de expansão do Universo. Estas são estrelas moribundas que explodem numa reação termonuclear de força consistente. No entanto, os pesquisadores estão trabalhando arduamente na ampliação das capacidades do algoritmo para classificar outros tipos de supernovas num futuro próximo.
O SNIascore está atualmente adaptado para trabalhar com o espectrógrafo SEDM (Spectral Energy Distribution Machine), alojado numa cúpula a apenas algumas centenas de metros de distância da câmara ZTF no Observatório Palomar. O ZTF varre continuamente o céu e envia todas as noites centenas de milhares de alertas de potenciais transientes cósmicos a astrônomos de todo o mundo. O espectrógrafo SEDM é acionado para acompanhar e observar os mais promissores. Produz um espectro do evento cósmico que transporta informação sobre a intensidade das várias frequências da luz captada pela câmara do telescópio. Este espectro é o que pode dizer definitivamente aos astrônomos que tipo de evento está sendo observado.
O SNIascore está sendo adaptado para trabalhar com o próximo espectrógrafo SEDMv2 montado no telescópio de 2,1 metros no Observatório Kitt Peak no estado norte-americano do Arizona. O SEDMv2 será a versão avançada do SEDM e permitirá a detecção e classificação de supernovas mais fracas.
Atualmente, o SNIascore classifica em média duas supernovas por noite. Com o SEDMv2 este número pode potencialmente duplicar. As vantagens do SNIascore vão além da construção rápida e confiável de grandes conjuntos de dados de supernovas. Os astrônomos que procuram outros eventos transientes podem agora rapidamente excluir candidatos classificados pelo SNIascore como supernovas, de tal forma que não se desperdiça tempo de telescópio a segui-los quando o alvo são efetivamente outros tipos de explosões cósmicas.
Outros esforços de classificação de eventos transientes também usam aprendizagem de máquina, mas dependem apenas da chamada "curva de luz" do evento ou da quantidade de luz vista pelo telescópio como uma evolução do tempo. O SNIascore tem a vantagem de ter sido treinado para utilizar informação espectroscópica, a única forma robusta de confirmar a natureza da maioria dos fenômenos transientes. O algoritmo é de código aberto e outros grupos podem adaptá-lo às suas próprias instalações telescópicas.
O SNIascore foi desenvolvido como parte do BTS (Bright Transient Survey) do ZTF, atualmente, o maior levantamento de supernovas disponível para a comunidade astronômica. Todo o conjunto de dados BTS tem perto de 7.000 supernovas, 90% das quais foram descobertas e classificadas pelo ZTF (10% foram contribuições de outros grupos e instalações).
Fonte: Zwicky Transient Facility
Nenhum comentário:
Postar um comentário