El equipo de SNAD, una red internacional de investigadores que incluye a Matvey Kornilov, profesor asociado de la Facultad de Física de la Universidad HSE, ha descubierto 11 anomalías espaciales no detectadas previamente, siete de las cuales son candidatas a supernova. Los investigadores analizaron imágenes digitales del cielo del norte tomadas en 2018 usando un árbol k-D para detectar anomalías a través del método del "vecino más cercano". Los algoritmos de aprendizaje automático ayudaron a automatizar la búsqueda. El artículo se publica en New Astronomy .

La mayoría de los descubrimientos astronómicos se han basado en observaciones con cálculos posteriores. Si bien el número total de observaciones en el siglo XX aún era relativamente pequeño, los volúmenes de datos aumentaron drásticamente con la llegada de estudios astronómicos a gran escala. Por ejemplo, Zwicky Transient Facility (ZTF), que utiliza una cámara de visión de campo amplio para inspeccionar el cielo del norte, genera ∼1,4 TB de datos por noche de observación y su catálogo contiene miles de millones de objetos. El procesamiento manual de cantidades tan enormes de datos es costoso y requiere mucho tiempo, por lo que el equipo de investigadores de SNAD de Rusia, Francia y EE. UU. se unió para desarrollar una solución automatizada.

Cuando los científicos examinan objetos astronómicos, observan sus curvas de luz, que muestran variaciones del brillo de un objeto en función del tiempo. Los observadores primero identifican un destello de luz en el cielo y luego siguen su evolución para ver si la luz se vuelve más brillante o más débil con el tiempo, o si se apaga. En este estudio, los investigadores examinaron un millón de curvas de luz reales del catálogo de 2018 de ZTF y siete modelos de curvas en vivo simuladas de los tipos de objetos bajo estudio. En total, siguieron unos 40 parámetros, incluida la amplitud del brillo de un objeto y el período de tiempo.

"Describimos las propiedades de nuestras simulaciones utilizando un conjunto de características que se espera observar en cuerpos astronómicos reales. En el conjunto de datos de aproximadamente un millón de objetos, buscábamos supernovas súper poderosas, supernovas de tipo Ia, supernovas de tipo II y de marea. eventos de interrupción", explica Konstantin Malanchev, coautor del artículo y postdoctorado en la Universidad de Illinois en Urbana-Champaign. "Nos referimos a tales clases de objetos como anomalías. Son muy raros, con propiedades poco conocidas, o parecen lo suficientemente interesantes como para merecer un estudio más profundo".

Luego, los datos de la curva de luz de los objetos reales se compararon con los de las simulaciones utilizando el algoritmo del árbol k-D. Un árbol k-D es una estructura de datos geométricos para dividir el espacio en partes más pequeñas cortándolo con hiperplanos, planos, líneas o puntos. En la investigación actual, este algoritmo se utilizó para reducir el rango de búsqueda al buscar objetos reales con propiedades similares a las descritas en las siete simulaciones.

Posteriormente, el equipo identificó 15 vecinos más cercanos, es decir, objetos reales de la base de datos ZTF, para cada simulación:105 coincidencias en total, que luego los investigadores examinaron visualmente para detectar anomalías. La verificación manual confirmó 11 anomalías, de las cuales siete eran candidatas a supernova y cuatro eran candidatas a núcleos galácticos activos donde podrían ocurrir eventos de interrupción de mareas.

"Este es un resultado muy bueno", comenta Maria Pruzhinskaya, coautora del artículo e investigadora del Instituto Astronómico Sternberg. "Además de los objetos raros ya descubiertos, pudimos detectar varios nuevos que los astrónomos habían pasado por alto anteriormente. Esto significa que los algoritmos de búsqueda existentes se pueden mejorar para evitar perder tales objetos".

Este estudio demuestra que el método es altamente efectivo, mientras que es relativamente fácil de aplicar. El algoritmo propuesto para detectar fenómenos espaciales de cierto tipo es universal y puede usarse para descubrir cualquier objeto astronómico interesante, sin limitarse a tipos raros de supernovas.

"Los fenómenos astronómicos y astrofísicos que aún no se han descubierto son, de hecho, anomalías", según Matvey Kornilov, profesor asociado de la Facultad de Física de la Universidad HSE. "Se espera que sus manifestaciones observadas difieran de las propiedades de los objetos conocidos. En el futuro, intentaremos usar nuestro método para descubrir nuevas clases de objetos". + Explora más

Una nueva canalización de detección de anomalías para sistemas de recomendación y descubrimiento astronómico