Sejak awal abad ke-20, para ilmuwan dan fisikawan telah dibebani dengan menjelaskan bagaimana dan mengapa Semesta tampaknya berkembang dengan kecepatan yang semakin cepat. Selain bertanggung jawab atas percepatan kosmik, energi ini juga dianggap terdiri 68,3% dari massa alam semesta yang tidak terlihat.
Sama seperti materi gelap, keberadaan kekuatan tak kasat mata ini didasarkan pada fenomena yang dapat diamati dan karena itu sesuai dengan model kosmologi kita saat ini, dan bukan bukti langsung. Sebagai gantinya, para ilmuwan harus mengandalkan pengamatan tidak langsung, mengamati seberapa cepat objek kosmik (khususnya supernova Tipe Ia) surut dari kita ketika alam semesta mengembang.
Proses ini akan sangat membosankan bagi para ilmuwan - seperti mereka yang bekerja untuk Survei Energi Gelap (DES) - jika bukan karena algoritma baru yang dikembangkan bersama oleh para peneliti di Lawrence Berkeley National Laboratory dan UC Berkeley.
"Algoritme kami dapat mengklasifikasikan deteksi kandidat supernova dalam waktu sekitar 0,01 detik, sedangkan pemindai manusia berpengalaman dapat memakan waktu beberapa detik," kata Danny Goldstein, mahasiswa pascasarjana UC Berkeley yang mengembangkan kode untuk mengotomatiskan proses penemuan supernova pada gambar DES .
Saat ini di musim keduanya, DES mengambil gambar Night Southern Sky dengan DECam - kamera 570 megapiksel yang dipasang pada teleskop Victor M. Blanco di Cerro Tololo Interamerican Observatory (CTIO) di Andes Chili. Setiap malam, kamera menghasilkan antara 100 Gigabytes (GB) dan 1 Terabyte (TB) data pencitraan, yang dikirim ke Pusat Nasional untuk Aplikasi Supercomputing (NCSA) dan DOE's Fermilab di Illinois untuk pemrosesan awal dan pengarsipan.
Program pengenalan objek dikembangkan di Pusat Komputasi Ilmiah Penelitian Energi Nasional (NERSC) dan diimplementasikan di NCSA kemudian menyisir gambar untuk mencari kemungkinan deteksi supernova Tipe Ia. Ledakan kuat ini terjadi dalam sistem bintang biner di mana satu bintang adalah katai putih, yang mengumpulkan materi dari bintang pendamping hingga mencapai massa kritis dan meledak dalam supernova Tipe Ia.
"Ledakan ini luar biasa karena dapat digunakan sebagai indikator jarak kosmik dengan akurasi 3-10 persen," kata Goldstein.
Jarak itu penting karena semakin jauh suatu objek terletak di ruang angkasa, semakin jauh ke masa lalu. Dengan melacak supernova Tipe Ia pada jarak yang berbeda, para peneliti dapat mengukur ekspansi kosmik sepanjang sejarah alam semesta. Ini memungkinkan mereka untuk menempatkan batasan pada seberapa cepat alam semesta mengembang dan bahkan mungkin memberikan petunjuk lain tentang sifat energi gelap.
"Secara ilmiah, ini adalah waktu yang sangat menyenangkan karena beberapa kelompok di seluruh dunia berusaha mengukur supernova Tipe Ia dengan tepat untuk membatasi dan memahami energi gelap yang mendorong percepatan ekspansi alam semesta," kata Goldstein, yang juga seorang mahasiswa. peneliti di Pusat Kosmologi Komputasi Berkeley Lab (C3).
DES memulai pencariannya untuk ledakan Jenis Ia dengan mengungkap perubahan di langit malam, yang merupakan tempat pipa pengurangan gambar dikembangkan dan diimplementasikan oleh para peneliti dalam kelompok kerja supernova DES. Pipa tersebut mengurangi gambar yang berisi objek kosmik yang diketahui dari gambar baru. yang terpapar setiap malam di CTIO.
Setiap malam, pipa menghasilkan antara 10.000 dan beberapa ratus ribu deteksi kandidat supernova yang perlu divalidasi.
"Secara historis, para astronom terlatih akan duduk di depan komputer selama berjam-jam, melihat titik-titik ini, dan menawarkan pendapat tentang apakah mereka memiliki karakteristik supernova, atau apakah mereka disebabkan oleh efek palsu yang menyamar sebagai supernova dalam data. Proses ini tampaknya langsung sampai Anda menyadari bahwa jumlah kandidat yang perlu diklasifikasikan setiap malam sangat besar dan hanya satu dari beberapa ratus adalah supernova nyata dari jenis apa pun, ”kata Goldstein. “Proses ini sangat membosankan dan menghabiskan waktu. Ini juga memberi banyak tekanan pada kelompok kerja supernova untuk memproses dan memindai data dengan cepat, yang merupakan kerja keras. ”
Untuk menyederhanakan tugas pemeriksaan calon, Goldstein mengembangkan kode yang menggunakan teknik pembelajaran mesin "Hutan Acak" untuk memeriksa pendeteksian calon supernova secara otomatis dan real-time untuk mengoptimalkan mereka untuk DES. Teknik ini menggunakan ansambel pohon keputusan untuk secara otomatis menanyakan jenis pertanyaan yang biasanya akan dipertimbangkan oleh para astronom ketika mengklasifikasikan kandidat supernova.
Pada akhir proses, setiap deteksi kandidat diberikan skor berdasarkan fraksi pohon keputusan yang dianggap memiliki karakteristik deteksi supernova. Semakin dekat skor klasifikasi menjadi satu, semakin kuat kandidat. Goldstein mencatat bahwa dalam tes pendahuluan, pipa klasifikasi mencapai akurasi keseluruhan 96 persen.
“Ketika Anda melakukan pengurangan sendirian, Anda mendapatkan terlalu banyak 'false-positive' - artefak instrumental atau perangkat lunak yang muncul sebagai kandidat supernova potensial - yang dapat disaring manusia,” kata Rollin Thomas, dari C3 Berkeley Lab, yang merupakan kolaborator Goldstein.
Dia mencatat bahwa dengan pengklasifikasi, peneliti dapat dengan cepat dan akurat mengeluarkan artefak dari kandidat supernova. "Ini berarti bahwa alih-alih memiliki 20 ilmuwan dari kelompok kerja supernova terus-menerus menyaring ribuan kandidat setiap malam, Anda dapat menunjuk satu orang untuk melihat kemungkinan beberapa ratus kandidat kuat," kata Thomas. "Ini secara signifikan mempercepat alur kerja kami dan memungkinkan kami mengidentifikasi supernova secara real-time, yang sangat penting untuk melakukan pengamatan lanjutan."
"Menggunakan sekitar 60 core pada superkomputer, kami dapat mengklasifikasikan 200.000 deteksi dalam waktu sekitar 20 menit, termasuk waktu untuk interaksi basis data dan ekstraksi fitur." kata Goldstein.
Goldstein dan Thomas mencatat bahwa langkah selanjutnya dalam pekerjaan ini adalah menambahkan pembelajaran mesin tingkat kedua ke dalam pipa untuk meningkatkan akurasi klasifikasi. Lapisan tambahan ini akan mempertimbangkan bagaimana objek diklasifikasikan dalam pengamatan sebelumnya karena menentukan probabilitas bahwa kandidat itu "nyata." Para peneliti dan kolega mereka saat ini sedang mengerjakan berbagai pendekatan untuk mencapai kemampuan ini.
