Les astronomes du California Institute of Technology (Caltech) ont utilisé un algorithme de machine pour classer 1 000 supernovae causées par les explosions d’étoiles mourantes.

L’algorithme, appelé SNIascore, a créé un catalogue basé sur les données collectées par le Zwicky Transient Facility (ZTF), un instrument d’étude du ciel attaché au télescope Samuel Oshin situé à l’observatoire Palomar de Caltech.

En scannant le ciel nocturne à la recherche d’événements de courte durée ou transitoires, qui peuvent inclure tout, des courses d’astéroïdes à l’alimentation des trous noirs et des supernovae, ZTF génère une quantité incessante de données chaque nuit. À tel point que les membres de l’équipe ZTF n’ont pas pu le comprendre par eux-mêmes, ce qui a conduit au développement de SNIascore pour aider à cette tâche monumentale.

« Nous avions besoin d’un coup de main, et nous savions qu’une fois que nous aurions formé nos ordinateurs pour faire le travail, ils nous enlèveraient une grosse charge », a déclaré Christopher Fremling, astronome du personnel de Caltech et cerveau derrière le nouvel algorithme, dans une interview. déclaration (s’ouvrira dans un nouvel onglet).

En relation: Amazon teste un logiciel d’apprentissage automatique pour analyser des images satellites depuis l’espace

L’instrument ZTF à l’observatoire Palomar de Caltech. (Crédit image : Observatoire optique de Caltech)

Depuis les premières observations de ZTF en 2017, l’enquête a identifié des milliers de supernovae qui peuvent être divisées en 2 grandes classes ; Les supernovae de type I, dépourvues de signes d’hydrogène, et les supernovae de type II, qui, au contraire, sont riches en hydrogène, l’élément le plus simple et le plus léger de l’univers.

La forme la plus courante d’une supernova de type I se produit lorsqu’une étoile massive arrache de la matière à une étoile donneuse voisine, qui tombe à sa surface et provoque une explosion thermonucléaire. Les supernovae de type II, en revanche, se produisent lorsque des étoiles massives manquent de carburant nécessaire à la fusion nucléaire et ne peuvent plus résister à l’effondrement gravitationnel.

SNIascore classe un type spécial d’explosion cosmique de type I avec une origine différente, appelée supernova de type Ia. Cela se produit lorsqu’une étoile mourante explose et que la lumière émise est si uniforme que les astronomes l’appellent des « bougies standard ».

Ces bougies standard peuvent être utilisées pour mesurer les distances cosmiques dans l’espace, ainsi que pour mesurer le taux d’expansion de l’univers.

Illustration d’une supernova géante rouge. (Crédit image : ESO/L. Calçada)

Chaque nuit, une fois que le ZTF a terminé sa recherche d’événements et d’objets transitoires dans le ciel, les données qu’il collecte sont transmises à un dôme situé à quelques centaines de mètres de là, qui abrite un instrument appelé Spectral Energy Distribution Machine (SEDM).

SNIascore travaille ensuite avec SEDM pour classer les supernovae observées qui correspondent à la classe de type Ia. En conséquence, l’équipe ZTF crée un ensemble de données de supernova robuste que les astronomes peuvent utiliser pour étudier plus en détail la physique de ces puissantes explosions stellaires.

« SNIascore a classé sa première supernova en avril 2021, et un an et demi plus tard, nous avons atteint le cap des 1 000 supernovae », a déclaré Fremling. « SNiascore est incroyablement précis. Après 1000 supernovae, nous avons vu comment l’algorithme fonctionne dans le monde réel.

Fremling a ajouté que depuis avril de l’année dernière, l’équipe ZTF a constaté que SNIascore n’avait pas mal classé les supernovae. « Depuis le lancement en avril 2021, nous n’avons trouvé aucun événement clairement mal classé, et nous prévoyons maintenant de mettre en œuvre le même algorithme avec d’autres outils de surveillance », a déclaré Fremling.

Maintenant, Fremling et ses collègues prévoient non seulement d’implémenter SNIascore avec d’autres télescopes, mais travaillent également à l’amélioration de SNIascore afin que l’algorithme puisse classer d’autres types de supernovae à l’avenir. Avant même que ces avancées n’aient lieu, un outil d’apprentissage automatique transforme l’astronomie et montre le visage changeant de ce domaine scientifique.

« La notion traditionnelle d’un astronome assis à un observatoire regardant des images d’un télescope est romantique, mais très éloignée de la réalité », a déclaré Matthew Graham, professeur d’astronomie à Caltech et scientifique du projet ZTF.

L’astronome Ashish Mahabal dirige les travaux de ZTF sur l’apprentissage automatique et est également responsable de l’informatique et des données au centre de recherche axé sur les données de Caltech. Il est d’accord avec Graham, ajoutant que le travail « fait un bon travail pour montrer comment les applications d’apprentissage automatique arrivent à maturité dans l’astronomie en temps quasi réel ».

Suivez-nous sur Twitter @Spacedotcom (s’ouvrira dans un nouvel onglet) ou sur facebook (s’ouvrira dans un nouvel onglet).