Sejak awal abad ke-20, para saintis dan ahli fizik dibebani dengan menjelaskan bagaimana dan mengapa Alam Semesta nampaknya berkembang dengan cepat. Selain bertanggungjawab untuk pecutan kosmik, tenaga ini juga dianggap merangkumi 68.3% jisim alam semesta yang tidak kelihatan.
Sama seperti bahan gelap, kewujudan kekuatan yang tidak dapat dilihat ini berdasarkan fenomena yang dapat dilihat dan kerana kebetulan sesuai dengan model kosmologi kita sekarang, dan bukan bukti langsung. Sebaliknya, saintis mesti bergantung pada pemerhatian tidak langsung, memerhatikan seberapa cepat objek kosmik (khususnya Jenis Ia supernova) surut dari kita ketika alam semesta mengembang.
Proses ini akan sangat membosankan bagi para saintis - seperti mereka yang bekerja untuk Kajian Tenaga Gelap (DES) - sekiranya bukan algoritma baru yang dikembangkan secara kolaboratif oleh penyelidik di Makmal Nasional Lawrence Berkeley dan UC Berkeley.
"Algoritma kami dapat mengklasifikasikan pengesanan calon supernova dalam masa sekitar 0,01 saat, sedangkan pengimbas manusia yang berpengalaman dapat memakan waktu beberapa saat," kata Danny Goldstein, seorang pelajar siswazah UC Berkeley yang mengembangkan kod untuk mengotomatisasi proses penemuan supernova pada gambar DES .
Pada musim kedua, DES mengambil gambar Langit Selatan setiap malam dengan DECam - kamera 570 megapiksel yang dipasang di teleskop Victor M. Blanco di Cerro Tololo Interamerican Observatory (CTIO) di Andes Chile. Setiap malam, kamera menghasilkan antara 100 Gigabyte (GB) dan 1 Terabyte (TB) data pengimejan, yang dihantar ke Pusat Nasional Aplikasi Superkomputer (NCSA) dan DOE's Fermilab di Illinois untuk pemprosesan awal dan pengarkiban.
Program pengenalan objek yang dibangunkan di Pusat Pengkomputeran Ilmiah Penyelidikan Tenaga Nasional (NERSC) dan dilaksanakan di NCSA kemudian menyisir gambar untuk mencari kemungkinan pengesanan supernova Jenis Ia. Letupan kuat ini berlaku dalam sistem bintang binari di mana satu bintang adalah kerdil putih, yang mengambil bahan dari bintang pendamping sehingga mencapai jisim kritikal dan meletup di supernova Jenis Ia.
"Letupan ini luar biasa kerana dapat digunakan sebagai petunjuk jarak kosmik hingga dalam ketepatan 3-10 persen," kata Goldstein.
Jarak penting kerana semakin jauh objek terletak di ruang angkasa, semakin jauh masa yang ada. Dengan mengesan supernova Jenis Ia pada jarak yang berbeza, para penyelidik dapat mengukur pengembangan kosmik sepanjang sejarah alam semesta. Ini membolehkan mereka meletakkan kekangan pada seberapa cepat alam semesta berkembang dan bahkan dapat memberikan petunjuk lain mengenai sifat tenaga gelap.
"Secara ilmiah, ini adalah masa yang sangat menggembirakan kerana beberapa kumpulan di seluruh dunia berusaha untuk mengukur supernova Type Ia dengan tepat untuk mengekang dan memahami tenaga gelap yang mendorong pengembangan alam semesta yang dipercepat," kata Goldstein, yang juga seorang pelajar penyelidik di Pusat Kosmologi Komputasi Berkeley Lab (C3).
DES memulakan pencariannya untuk letupan Jenis Ia dengan mengungkap perubahan di langit malam, di mana saluran paip pengurangan gambar dikembangkan dan dilaksanakan oleh para penyelidik dalam kumpulan kerja DES supernova masuk. Pipa tersebut mengurangkan gambar yang mengandungi objek kosmik yang diketahui dari gambar baru yang terdedah setiap malam di CTIO.
Setiap malam, saluran paip menghasilkan antara 10,000 dan beberapa ratus ribu pengesanan calon supernova yang perlu disahkan.
“Dari segi sejarah, ahli astronomi terlatih akan duduk di komputer berjam-jam, melihat titik-titik ini, dan memberikan pendapat mengenai sama ada mereka mempunyai ciri-ciri supernova, atau apakah ia disebabkan oleh kesan palsu yang menyamar sebagai supernova dalam data. Proses ini nampaknya mudah sehingga anda menyedari bahawa jumlah calon yang perlu diklasifikasikan setiap malam adalah sangat besar dan hanya satu dari beberapa ratus adalah supernova sebenar dari apa jua jenis, ”kata Goldstein. "Proses ini sangat membosankan dan memerlukan masa. Ini juga memberikan banyak tekanan pada kumpulan kerja supernova untuk memproses dan mengimbas data dengan cepat, yang merupakan kerja keras. "
Untuk mempermudah tugas memeriksa calon, Goldstein mengembangkan kod yang menggunakan teknik pembelajaran mesin "Random Forest" untuk memeriksa pengesanan calon supernova secara automatik dan dalam masa nyata untuk mengoptimumkannya untuk DES. Teknik ini menggunakan kumpulan keputusan untuk secara automatik mengajukan jenis soalan yang biasanya akan dipertimbangkan oleh ahli astronomi ketika mengklasifikasikan calon supernova.
Pada akhir proses, setiap pengesanan calon diberi skor berdasarkan pecahan pokok keputusan yang menganggapnya mempunyai ciri-ciri pengesanan supernova. Semakin dekat skor klasifikasi untuk satu, semakin kuat calon. Goldstein menyatakan bahawa dalam ujian awal, saluran klasifikasi mencapai ketepatan keseluruhan 96 peratus.
"Apabila anda melakukan pengurangan sahaja, anda akan mendapat terlalu banyak" false-positives "- artifak instrumental atau perisian yang muncul sebagai calon supernova yang berpotensi - bagi manusia untuk disaring," kata Rollin Thomas, dari C3 Berkeley Lab, yang merupakan kolaborator Goldstein.
Dia menyatakan bahawa dengan pengkelasan, penyelidik dapat dengan cepat dan tepat menguraikan artifak dari calon supernova. "Ini bererti bahawa daripada mempunyai 20 saintis dari kumpulan kerja supernova secara berterusan menyaring ribuan calon setiap malam, anda boleh melantik satu orang untuk melihat mungkin beberapa ratus calon yang kuat," kata Thomas. "Ini mempercepat aliran kerja kami dan membolehkan kami mengenal pasti supernova dalam masa nyata, yang sangat penting untuk melakukan pemerhatian susulan."
"Dengan menggunakan sekitar 60 core pada komputer super, kita dapat mengklasifikasikan 200,000 deteksi dalam waktu sekitar 20 minit, termasuk waktu untuk interaksi pangkalan data dan pengekstrakan fitur." kata Goldstein.
Goldstein dan Thomas menyatakan bahawa langkah seterusnya dalam kerja ini adalah menambahkan tahap pembelajaran mesin tahap kedua untuk meningkatkan ketepatan klasifikasi. Lapisan tambahan ini akan mempertimbangkan bagaimana objek tersebut diklasifikasikan dalam pemerhatian sebelumnya kerana ia menentukan kemungkinan calon itu "nyata". Para penyelidik dan rakan-rakan mereka kini sedang mengusahakan pendekatan yang berbeza untuk mencapai kemampuan ini.
