人工智能有助于发现新的空间异常

学分:Pixabay/CC0 公共领域

SNAD 团队是一个国际研究人员网络,其中包括 HSE 大学物理学院副教授 Matvey Kornilov,发现了 11 个以前未被发现的空间异常,其中 7 个是超新星候选者。 研究人员使用 kD 树分析了 2018 年拍摄的北方天空的数字图像,以通过“最近邻”方法检测异常。 机器学习算法有助于自动化搜索。 该论文发表在《新天文学》上。

大多数天文发现都是基于观测和随后的计算。 虽然 20 世纪的观测总数仍然相对较少,但随着大规模天文调查的到来,数据量急剧增加。 为了 example,Zwicky 瞬态设施 (ZTF) 使用宽视场相机来调查北方天空,每晚观测产生约 1.4 TB 的数据,其目录包含数十亿个物体。 手动处理如此庞大的数据既昂贵又耗时,因此来自俄罗斯、法国和美国的研究人员 SNAD 团队齐心协力开发了一种自动化解决方案。

当科学家们检查天文物体时,他们会观察它们的光变曲线,该曲线显示物体的亮度随时间的变化。 观察者首先在天空中识别出一道闪光,然后跟踪它的演变,看看随着时间的推移,光是变亮还是变弱,还是熄灭了。 在这项研究中,研究人员检查了 ZTF 2018 年目录中的一百万条真实光曲线和所研究对象类型的七个模拟活曲线模型。 他们总共遵循了大约 40 个参数,包括物体亮度的幅度和时间范围。

“我们使用一组预期在真实天体中观察到的特征描述了我们模拟的属性。在大约一百万个物体的数据集中,我们正在寻找超强超新星、Ia 型超新星、II 型超新星和潮汐中断事件,”该论文的合著者、伊利诺伊大学厄巴纳-香槟分校的博士后康斯坦丁·马兰切夫解释道。 “我们将这类物体称为异常。它们要么非常罕见,具有鲜为人知的特性,要么看起来很有趣,值得进一步研究。”

然后将来自真实物体的光变曲线数据与使用 kD 树算法的模拟数据进行比较。 kD 树是一种几何数据结构,用于通过用超平面、平面、线或点将空间切割成更小的部分。 在当前的研究中,该算法用于在寻找与七次模拟中描述的属性相似的真实对象时缩小搜索范围。

随后,该团队为每个模拟确定了 15 个最近的邻居,即来自 ZTF 数据库的真实对象——总共 105 个匹配项,然后研究人员对其进行目视检查以检查异常情况。 人工验证确认了 11 个异常,其中 7 个是超新星候选者,4 个是可能发生潮汐破坏事件的活动星系核候选者。

“这是一个非常好的结果,”该论文的合著者、斯腾伯格天文研究所研究员 Maria Pruzhinskaya 评测道。 “除了已经发现的稀有物体之外,我们还能够检测到天文学家以前错过的几个新物体。这意味着可以改进现有的搜索算法以避免错过这些物体。”

这项研究表明,该方法非常有效,同时相对容易应用。 所提出的用于检测某种类型的空间现象的算法具有通用性,可用于发现任何有趣的天文物体,而不仅限于稀有类型的超新星。

“尚未发现的天文和天体物理现象实际上是异常现象,”HSE 大学物理学院副教授 Matvey Kornilov 说。 “他们观察到的表现预计与已知物体的属性不同。未来,我们将尝试使用我们的方法来发现新的物体类别。”