De nombreuses questions scientifiques actuelles et passionnantes auxquelles les astronomes tentent de répondre les obligent à collecter de grands échantillons de différents événements cosmiques. En conséquence, les observatoires astronomiques modernes sont devenus des machines génératrices de données implacables qui envoient des milliers d’alertes et d’images aux astronomes chaque nuit.
À l’aide d’un algorithme d’apprentissage automatique, les astronomes de la collaboration Zwicky Transient Facility à Caltech classifié avec succès 1000 supernovae de manière autonome. L’algorithme a été appliqué aux données capturées par le Zwicky Transient Facility, ou ZTF, un instrument d’étude du ciel basé à l’observatoire Palomar de Caltech.
Chaque nuit, ZTF analyse le ciel nocturne à la recherche d’altérations appelées événements transitoires. Cela couvre tout, des astéroïdes en mouvement aux étoiles récemment dévorées par trous noirs aux étoiles explosives appelées supernovae. ZTF informe les astronomes du monde entier de ces phénomènes transitoires en envoyant des centaines de milliers de signaux chaque nuit.
Les astronomes utilisent ensuite d’autres télescopes pour suivre et étudier la nature des objets changeants. Jusqu’à présent, les données ZTF ont conduit à la découverte de milliers de supernovae.
Matthew Graham, scientifique du projet pour ZTF et professeur de recherche en astronomie à Caltech, a déclaré : “La notion traditionnelle d’un astronome assis à l’observatoire et passant au crible les images du télescope porte beaucoup de romantisme mais s’éloigne de la réalité.”
À l’aide d’algorithmes d’apprentissage automatique, les astronomes ont développé SNIascore pour classer les candidats supernovae. SNIascore peut classer ce que l’on appelle les supernovae de type Ia, ou les “bougies standard” dans le ciel. Ces étoiles mourantes explosent avec une explosion thermonucléaire de force constante.
Les scientifiques travaillent maintenant à étendre les capacités de l’algorithme pour classer d’autres types de supernovae dans un avenir proche.
Christoffer Fremling, un astronome du personnel de Caltech et le cerveau derrière le nouvel algorithme, surnommé SNIascore, a déclaré : « Nous avions besoin d’un coup de main, et nous savions qu’une fois que nous aurions entraîné nos ordinateurs à faire le travail, ils allaient nous soulager d’une lourde charge. SNIascore a classé sa première supernova en avril 2021, et un an et demi plus tard, nous atteignons un joli cap de 1 000 supernovae.
« SNIascore est remarquablement précis. Après 1 000 supernovae, nous avons vu comment l’algorithme se comporte dans le monde réel. Nous n’avons trouvé aucun événement mal classé depuis le lancement en avril 2021, et nous prévoyons de mettre en œuvre le même algorithme avec d’autres installations d’observation.
Ashish Mahabal, qui dirige les activités d’apprentissage automatique pour ZTF et est le principal scientifique en informatique et en données au Centre pour la découverte basée sur les données de Caltech, ajoute : « Ce travail montre bien comment apprentissage automatique les applications arrivent à maturité dans l’astronomie en temps quasi réel.
Ashish Mahabal, informaticien au Centre de découverte basée sur les données de Caltech, qui dirige les activités d’apprentissage automatique pour ZTF, a dit, “SNIascore s’appuie sur d’autres algorithmes et couches d’apprentissage automatique sous-jacents que nous avons développés pour ZTF, et il montre bien comment les applications d’apprentissage automatique arrivent à maturité dans l’astronomie en temps quasi réel.”
