20 세기 초 이래로 과학자와 물리학 자들은 우주가 어떻게 그리고 왜 가속화되고 있는지를 설명하는 데 부담을지게되었습니다. 우주 가속을 담당하는 것 외에도이 에너지는 우주의 보이지 않는 질량의 68.3 %를 구성하는 것으로 생각됩니다.
암흑 물질과 마찬가지로,이 보이지 않는 힘의 존재는 관찰 가능한 현상에 기반을두고 있으며 이는 직접적인 증거가 아니라 현재의 우주론 모델에 적합하기 때문입니다. 대신 과학자들은 우주가 확장됨에 따라 우주 물체 (특히 Type Ia 초신성)가 우리로부터 얼마나 빨리 사라지는지를 관찰하면서 간접 관측에 의존해야합니다.
이 과정은 DES (Dark Energy Survey)에서 일하는 과학자와 같이 과학자들에게는 지루한 작업이 될 것입니다. Lawrence Berkeley National Laboratory와 UC Berkeley의 연구원들이 공동으로 개발 한 새로운 알고리즘이 아니 었습니다.
DES 이미지에서 초신성 발견 프로세스를 자동화하는 코드를 개발 한 UC 버클리 대학원생 인 Danny Goldstein은“우리의 알고리즘은 약 0.01 초 만에 초신성 후보 탐지를 분류 할 수 있지만 숙련 된 인간 스캐너는 몇 초가 걸릴 수 있습니다. .
현재 두 번째 시즌 인 DES는 칠레 안데스 산맥의 세로 톨로 (Cerro Tololo Interamerican Observatory)의 빅터 엠 블랑코 (Pictor M. Blanco) 망원경에 장착 된 570 만 화소 카메라 인 DECam으로 서던 스카이 (Southern Sky)의 야간 사진을 찍습니다. 매일 밤이 카메라는 100 기가 바이트 (GB)에서 1 테라 바이트 (TB)의 이미징 데이터를 생성하며, 이는 초기 처리 및 보관을 위해 일리노이주의 국립 슈퍼 컴퓨팅 애플리케이션 센터 (NCSA)와 DOE의 Fermilab로 전송됩니다.
NERSC (National Energy Research Scientific Computing Center)에서 개발되고 NCSA에서 구현 된 물체 인식 프로그램은 Type Ia 초신성의 가능한 감지를 찾기 위해 이미지를 통해 빗나갑니다. 이 강력한 폭발은 하나의 별이 백색 왜 성인 이진 별 시스템에서 발생하는데,이 별은 별의 질량이 임계 질량에 도달하고 Ia 초신성에서 폭발 할 때까지 동반자 별의 물질을 누적합니다.
골드 스타 인은“이러한 폭발은 3-10 %의 정확도 내에서 우주 거리 지표로 사용될 수 있기 때문에 현저하다.
거리가 멀어 질수록 물체는 우주에서 멀리 떨어져있을수록 시간이 더 멀어지기 때문에 중요합니다. 연구자들은 다양한 거리에서 Type Ia 초신성을 추적함으로써 우주 역사 전체의 우주 팽창을 측정 할 수 있습니다. 이를 통해 우주가 얼마나 빨리 확장되는지에 제약을 가할 수 있으며 암흑 에너지의 본질에 대한 다른 단서를 제공 할 수도 있습니다.
골드 스타 인은“과학적으로는 전 세계의 여러 그룹이 우주의 팽창을 가속화하는 암흑 에너지를 제한하고 이해하기 위해 Type Ia 초신성을 정확하게 측정하려고 노력하고 있기 때문에 정말 흥미로운 시간입니다. 버클리 연구소 전산 우주론 센터 (C3) 연구원.
DES는 밤하늘의 변화를 발견하여 Type Ia 폭발에 대한 검색을 시작합니다. 밤하늘에서 DES 초신성 작업 그룹의 연구원들이 개발하고 구현 한 이미지 감산 파이프 라인이 들어옵니다. 파이프 라인은 새로운 이미지에서 알려진 우주 물체가 포함 된 이미지를 빼냅니다. CTIO에서 매일 밤 노출됩니다.
매일 밤 파이프 라인은 검증해야 할 초신성 후보를 10,000에서 수십만 번 탐지합니다.
“역사적으로, 훈련 된 천문학 자들은 몇 시간 동안 컴퓨터에 앉아이 점들을보고 그들이 초신성의 특성을 가지고 있는지 또는 데이터에서 초신성으로 가장 한 가짜 효과에 의한 것인지에 대한 의견을 제시 할 것입니다. 이 과정은 매일 밤 분류해야 할 후보자가 엄청나게 많으며 수백 명 중 한 명만이 모든 유형의 진정한 초신성이라는 것을 알 때까지이 과정은 간단 해 보입니다.”라고 Goldstein은 말합니다. “이 과정은 매우 지루하고 시간이 많이 걸립니다. 또한 초신성 실무 그룹이 데이터를 빠르게 처리하고 스캔해야한다는 압박을 많이받습니다. 이는 어려운 작업입니다.”
후보자 심사 작업을 단순화하기 위해 Goldstein은 기계 학습 기법 인 "Random Forest"를 사용하여 초신성 후보자 탐지를 자동 및 실시간으로 조사하여 DES에 최적화하는 코드를 개발했습니다. 이 기술은 앙상블 의사 결정 트리를 사용하여 초신성 후보를 분류 할 때 천문학자가 일반적으로 고려할 질문 유형을 자동으로 묻습니다.
프로세스의 끝에서, 후보의 각각의 검출은 초신성의 검출의 특성을 갖는 것으로 간주되는 결정 트리의 비율에 기초하여 점수가 주어진다. 분류 점수가 1에 가까울수록 후보가 더 강력 해집니다. Goldstein은 예비 테스트에서 분류 파이프 라인이 전체 정확도의 96 %를 달성했다고 지적합니다.
골드 스타 인의 공동 작업자 인 버클리 연구소 C3의 롤린 토마스 (Rollin Thomas)는“감산 만하면 너무 많은 '거짓 양성'(잠재적 인 초신성 후보로 나타나는 도구 또는 소프트웨어 아티팩트)을 너무 많이 얻습니다.
그는 분류기를 사용하여 초신성 후보의 인공물을 빠르고 정확하게 걸러 낼 수 있다고 지적했다. 토마스는“이것은 초신성 실무 그룹의 20 명의 과학자들이 매일 밤 수천 명의 후보자들을 지속적으로 조사하는 대신 한 사람 만 임명하여 수백 명의 강력한 후보자들을 조사 할 수 있다는 것을 의미합니다. "이는 워크 플로우 속도를 크게 높이고 실시간으로 초신성을 식별 할 수있게 해주므로 후속 관찰을 수행하는 데 중요합니다."
"슈퍼 컴퓨터에서 약 60 개의 코어를 사용하여 데이터베이스 상호 작용 및 기능 추출 시간을 포함하여 약 20 분 내에 200,000 개의 탐지를 분류 할 수 있습니다." Goldstein은 말합니다.
Goldstein과 Thomas는이 작업의 다음 단계는 분류 정확도를 향상시키기 위해 파이프 라인에 두 번째 수준의 기계 학습을 추가하는 것입니다. 이 추가 계층은 후보가 "실제"일 확률을 결정하기 때문에 이전 관측에서 개체가 어떻게 분류되었는지 고려합니다. 연구원과 동료들은 현재이 기능을 달성하기 위해 다양한 접근 방식을 연구하고 있습니다.
