Фото из открытых источников
Международная команда проекта SNAD, куда входит доцент факультета физики НИУ ВШЭ Матвей Корнилов, обнаружила 11 аномалий, семь из которых — кандидаты в сверхновые. Исследования проводились на цифровых снимках северного неба за 2018 год, для поиска использовался метод ближайших соседей на основе K-мерных деревьев. Автоматизировать поиск аномалий позволили методы машинного обучения.
Исследование представлено в журнале New Astronomy. Большая часть астрономических открытий основана на наблюдениях и последующих расчетах. Еще в XX веке количество наблюдений было невелико, однако с вводом в строй широкопольных астрономических обзоров неба объемы получаемых данных многократно возросли. Например, Zwicky Transient Facility (ZTF) — широкопольный обзор северного неба — генерирует примерно 1,4 ТБ данных за ночь наблюдений, а его каталог содержит миллиарды объектов.
Обрабатывать такое количество данных вручную сложно и дорого, поэтому команда проекта SNAD, объединяющего ученых из России, Франции и США, решала задачу автоматизации этого процесса. Чтобы больше узнать об астрономических объектах, ученые анализируют их кривые блеска — зависимости блеска объекта от времени.
Сначала регистрируют вспышку на небе, затем фиксируют, как ее блеск эволюционирует: становится более ярким, ослабевает или совсем гаснет. Для исследования ученые взяли миллион кривых блеска реальных объектов из каталога Zwicky Transient Facility за 2018 год, а также составили семь симулированных кривых блеска объектов исследуемых типов. Всего учитывалось около 40 свойств, например амплитуда яркости объекта и периодичность.
«Мы описали свойства симуляций набором характеристик, который ожидали увидеть у реальных астрономических тел. Среди миллиона объектов мы искали сверхмощные сверхновые, сверхновые типа Iа, сверхновые II типа и события приливного разрыва, — объясняет один из авторов статьи постдок в университете Иллинойса в Урбане-Шампейне Константин Маланчев. — Такие классы объектов мы называем аномалиями. Они встречаются очень редко и их свойства малоизучены, либо это интересные объекты для более подробного исследования».
Затем данные кривых блеска реальных объектов сопоставляли с симуляциями с помощью метода K-мерных деревьев. K-мерное дерево — это специальная геометрическая структура данных, которая позволяет разбить пространство на меньшие части, рассекая его гиперплоскостями, плоскостями, прямыми или точками. Разбиение используют для сужения диапазона поиска в K-мерном пространстве, где ищут объект со свойствами, максимально похожими на те, что описаны в семи симуляциях.
Источник: esoreiter.ru
