Wat zou Galileo doen?
Een groep wetenschappers en sterrenkundigen heeft met succes kunstmatige intelligentie en machine learning gebruikt om supernovae te identificeren en classificeren terwijl ze worden gevormd. Dit was een robottest van het Bright Transient Sky Survey (BTS)-project, dat deel uitmaakt van een breder programma om supernovae boven een bepaald helderheidsniveau op te sporen en te classificeren.
Het team achter de BTS-robot zegt dat het wetenschappers meer tijd kan geven om hemelgebeurtenissen te analyseren door de menselijke tussenpersoon te elimineren bij het bevestigen of een gedetecteerde gebeurtenis een stellaire explosie is. De robot werd vorige week gelanceerd en wordt bediend door studenten en faculteiten van de Northwestern University, een particuliere onderzoeksinstelling.
“Dit is een belangrijke stap voorwaarts”, zegt Adam Miller, universitair hoofddocent aan Northwestern, “omdat verdere verfijning van het model de robot in staat zal stellen om specifieke subtypes van stellaire explosies te isoleren.” Uiteindelijk zal het wegnemen van mensen het onderzoeksteam meer tijd geven om de waarnemingen te analyseren en nieuwe hypotheses te presenteren om de oorsprong van de waargenomen kosmische explosies te verklaren.”
Sommigen hebben hun bezorgdheid geuit over het feit dat ze vervangen worden door kunstmatige intelligentie en hebben bezwaar gemaakt tegen het idee om de “menselijke tussenpersoon” te verwijderen, maar Miller zei dat het doel is om de efficiëntie te verhogen.
“We doen dit al sinds ongeveer 2018, toen dit project begon,” vertelde projectleider en afgestudeerd astronomiestudent Nabil Rehemtula aan TCN. “Dus nu hebben we tienduizenden supernovae om op te trainen en modellen op te bouwen en het proces te automatiseren.
De Paardenkopnevel is te zien in deze
De Zwicky Transient Facility (ZTF), genoemd naar astronoom Fritz Zwicky en gevestigd op het Palomar Observatory in San Diego, Californië, werd in 2018 opgericht om deze kosmische gebeurtenissen snel te identificeren.
Het BTSbot-projectteam, geleid door Remtula en Miller, bestaat uit leden van Northwestern University, Caltech, Liverpool John Moores University en de Universiteit van Minnesota.
Bij het trainen van het AI-model voerde Remtula het algoritme meer dan 1,4 miljoen historische beelden van 16.000 bronnen. Deze bronnen omvatten bevestigde supernovae, tijdelijk exploderende sterren, periodieke veranderlijke sterren en exploderende sterrenstelsels.
Rehemtula legde uit dat er elk jaar ongeveer 1300 tot 1400 supernovae worden waargenomen, wat een grote hoeveelheid gegevens voor analyse oplevert. De Bright Transients Survey meet alles wat verschijnt en verdwijnt, helder wordt en vervaagt, en is een eenmalige gebeurtenis, zei hij.
“Het is belangrijk,” zei Rehemtula, “dat we de modellen een schone, representatieve trainingsset geven. We beginnen dus met terug te gaan en te kijken welke supernovae of andere dingen oorspronkelijk door het BTS-filter zijn gegaan.
Remtula legt uit dat het hierdoor eenvoudig is om hemelverschijnselen uit te sluiten die geen supernovae zijn.
Een nieuwe compositiefoto van het Andromedastelsel, gemaakt op de Palomar-sterrenwacht met zichtbaar licht in drie banden. Beeldcredit: ZTF/D. Goldstein en R. Hurt (Caltech)
