20世紀初頭以来、科学者と物理学者は、宇宙が加速する速度で膨張しているように見える理由と理由を説明することを迫られてきました。このエネルギーは宇宙の加速に関与することに加えて、宇宙の見えない質量の68.3％を占めると考えられています。
暗黒物質と同じように、この目に見えない力の存在は、観察可能な現象に基づいており、それがたまたま私たちの現在の宇宙論のモデルに適合しており、直接的な証拠ではありません。代わりに、科学者は間接的な観測に依存し、宇宙が膨張するにつれて宇宙物体（特にタイプIa超新星）が私たちからどれだけ速く後退するかを監視する必要があります。
このプロセスは、ローレンスバークレー国立研究所とカリフォルニア大学バークレー校の研究者が共同で開発した新しいアルゴリズムがなければ、ダークエネルギー調査（DES）に従事する科学者のように、非常に退屈な作業になります。
「私たちのアルゴリズムは超新星候補の検出を約0.01秒で分類できますが、経験豊富なヒューマンスキャナーは数秒かかる場合があります」とDES画像で超新星発見のプロセスを自動化するコードを開発したUCバークレーの大学院生であるダニーゴールドスタインは言いました。 。
現在第2シーズンのDESは、DECam（チリアンデスのセロトロロインターアメリカ天文台（CTIO）にあるビクターM.ブランコ望遠鏡に搭載された570メガピクセルのカメラ）で南天の夜間写真を撮影します。カメラは毎晩、100ギガバイト（GB）から1テラバイト（TB）の画像データを生成します。これらの画像データは、初期処理とアーカイブのために、国立スーパーコンピューティングアプリケーションセンター（NCSA）とDOEのイリノイ州フェルミラボに送信されます。
National Energy Research Scientific Computing Center（NERSC）で開発され、NCSAで実装されたオブジェクト認識プログラムは、タイプIa超新星の可能な検出を求めて画像をくまなく調べます。これらの強力な爆発は、1つの星が白色矮星である連星系で発生し、臨界質量に達するまで伴星から物質を降着させ、Ia型超新星で爆発します。
「これらの爆発は、3-10％以内の精度で宇宙距離の指標として使用できるため、注目に値します」とゴールドスタインは述べています。
オブジェクトが空間に配置されているほど、過去にさかのぼるため、距離は重要です。タイプIa超新星を異なる距離で追跡することにより、研究者は宇宙の歴史全体にわたる宇宙の膨張を測定できます。これにより、宇宙の膨張速度に制約を課したり、ダークエネルギーの性質について他の手がかりを提供したりすることができます。
「科学的には、世界中のいくつかのグループがIa型超新星を正確に測定して、宇宙の加速された膨張を駆動している暗黒エネルギーを抑制および理解しようとしているので、それは本当にエキサイティングな時間です」と学生でもあるゴールドスタインは言いますバークレー研究所の計算宇宙センター（C3）の研究者。
DESは、夜空の変化を明らかにすることにより、タイプIa爆発の探索を開始します。DES超新星ワーキンググループの研究者によって開発および実装された画像減算パイプラインがここに到着します。パイプラインは、新しい画像から既知の宇宙オブジェクトを含む画像を減算しますCTIOで毎晩公開されます。
パイプラインは毎晩、検証が必要な超新星候補の検出を1万から数十万回生成します。
「歴史的に、訓練を受けた天文学者はコンピューターに何時間も座ってこれらの点を見て、超新星の特徴があるのか、それともデータの中で超新星になりすましている偽の効果が原因であるのかについて意見を述べていました。ゴールドスタイン氏は、このプロセスは、毎晩分類する必要のある候補者の数が非常に多く、数百人に1人しか本当の超新星ではないことに気付くまで、簡単に思えます」とゴールドスタイン氏は言います。 「このプロセスは非常に退屈で時間がかかるものです。また、超新星ワーキンググループにデータを高速で処理してスキャンするように強い圧力をかけます。これは大変な作業です。」
Goldsteinは候補の審査タスクを簡略化するために、機械学習技術「ランダムフォレスト」を使用して超新星候補の検出を自動的かつリアルタイムで調査し、DESに最適化するコードを開発しました。この手法では、決定木のアンサンブルを使用して、超新星候補を分類する際に天文学者が通常検討する種類の質問を自動的に尋ねます。
プロセスの最後に、候補の各検出には、超新星の検出の特性があると見なされた決定木の割合に基づいてスコアが与えられます。分類スコアが1に近いほど、候補が強くなります。ゴールドスタイン氏は、予備テストでは、分類パイプラインが全体的な精度で96％を達成したと指摘しています。
「減算を単独で行うと、超新星候補の可能性として現れる楽器またはソフトウェアのアーティファクトが多すぎて、人間がふるいにかけることができます」と、ゴールドスタインの共同研究者であるバークレー研究所のC3のRollin Thomasは言います。
彼は、分類子を使用すると、研究者は超新星候補からアーティファクトを迅速かつ正確に取り除くことができると述べています。 「これは、超新星ワーキンググループの20人の科学者が毎晩数千人の候補者を絶え間なくふるいにかける代わりに、たった数百人の有力な候補者を見るために1人を任命できることを意味します」とトーマスは言います。 「これによりワークフローが大幅にスピードアップし、リアルタイムで超新星を特定できるようになりました。これはフォローアップの観察を行うために重要です。」
「スーパーコンピューターで約60コアを使用すると、データベースの相互作用や特徴抽出の時間を含め、約20分間で200,000の検出を分類できます。」ゴールドスタインは言う。
ゴールドスタインとトーマスは、この作業の次のステップは、第2レベルの機械学習をパイプラインに追加して、分類の精度を向上させることであると指摘しています。この追加のレイヤーは、候補が「本物」である確率を決定するときに、オブジェクトが以前の観測でどのように分類されたかを考慮します。研究者とその同僚は現在、この機能を実現するためのさまざまなアプローチに取り組んでいます。
