哈佛史密森天体物理中心 仙后座A，或称Cas A，是仙后座10，000光年外的一颗超新星遗迹，是大约340年前死于一次猛烈爆炸的一颗曾经巨大的恒星的遗迹
这张图像分层了红外线、可见光和x光数据，揭示了尘埃和气体的丝状结构
中科院A是科学家能够仔细研究的10%超新星之一
CfA的新机器学习项目将有助于对数千颗、最终数百万颗可能感兴趣的超新星进行分类，否则这些超新星可能永远不会被研究
学分:美国宇航局/JPL-加州理工学院/科技学院/CXC/圣保罗 多亏了哈佛&史密森尼天体物理中心的一组天文学家，人工智能正在对真正的超新星爆炸进行分类，而不需要传统的使用光谱
完整的数据集和由此产生的分类可供公开使用
通过训练一个机器学习模型来根据超新星的可见特征对其进行分类，天文学家能够对来自2315颗超新星的Pan-STARRS1中深度勘测的真实数据进行分类，准确率为82%，而无需使用光谱
天文学家开发了一个软件程序，根据超新星的光曲线或它们的亮度如何随时间变化来对不同类型的超新星进行分类
“我们有大约2500颗超新星的光曲线来自泛星1号中深勘测，其中，500颗超新星的光谱可用于分类，”格里芬·霍斯辛扎德说，他是中国科学院的博士后研究员，也是发表在《天体物理学杂志》上两篇论文的第一篇的主要作者
“我们用这500颗超新星训练了分类器，对我们无法观察到光谱的剩余超新星进行分类
" CfA的天文学家埃多·伯杰解释说，通过让人工智能回答特定的问题，结果变得越来越精确
“机器学习寻找与最初500个光谱标签的相关性
我们要求它比较不同类别的超新星:颜色、演化速度或亮度
通过向它输入真实的现有知识，它导致最高的准确率，在80-90%之间
" 虽然这不是第一个超新星分类的机器学习项目，但这是天文学家第一次获得足够大的真实数据集来训练基于人工智能的超新星分类器，使得在不使用模拟的情况下创建机器学习算法成为可能
Hosseinzadeh说:“如果你做一个模拟光曲线，这意味着你在假设超新星会是什么样子，然后你的分类器也会学习这些假设。”
“自然总是会抛出一些你没有考虑到的额外复杂因素，这意味着你的分类器在真实数据上的表现不如在模拟数据上的表现
因为我们使用真实数据来训练我们的分类器，这意味着我们测量的准确度可能更能代表我们的分类器在其他调查中的表现
伯杰说:“随着分类器对超新星进行分类，我们将能够对它们进行回顾性和实时性研究，以挑选出最有趣的事件进行详细跟踪。”
我们将使用该算法来帮助我们挑选针，并看看干草堆
" 该项目不仅对档案数据有影响，而且对未来望远镜收集的数据也有影响
维拉C
鲁宾天文台预计将于2023年上线，并将导致每年发现数百万颗新超新星
这对天体物理学家来说既是机遇也是挑战，因为有限的望远镜时间导致有限的光谱分类
“当鲁宾天文台上线后，我们的超新星发现率将增加100倍，但我们的光谱资源不会增加，”哥伦比亚大学西蒙斯青年研究员、两篇论文第二篇的主要作者阿什利·维拉尔说，他补充说，虽然目前每年大约发现10，000颗超新星，但科学家只获取其中约10%的天体的光谱
“如果这成立，就意味着只有0
鲁宾天文台每年发现的超新星中有1%将获得光谱标签
剩下的99个
如果没有像我们这样的方法，9%的数据将无法使用
" 与过去的努力不同，过去只有有限数量的天文学家可以获得数据集和分类，新的机器学习算法的数据集将公开提供
天文学家已经开发了易于使用的软件，并发布了所有来自泛星1号中深勘测的数据以及用于其他项目的新分类
Hosseinzadeh说，“对我们来说，这些项目对整个超新星群落有用，而不仅仅是对我们这个群体有用，这非常重要
有如此多的项目可以用这些数据来完成，以至于我们自己永远也做不到
伯杰补充道，“这些项目是开放科学的开放数据
"
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
