Teleskop Pemantau Supernova Klasifikasi 1.000 Bintang Sekarat tanpa Kesalahan
Para astronom dari California Institute of Technology (Caltech) telah menggunakan algoritma mesin untuk mengklasifikasikan 1.000 supernova yang disebabkan oleh ledakan bintang yang sekarat.
Algoritme tersebut, bernama SNIascore, membuat katalog dari data yang dikumpulkan oleh Zwicky Transient Facility (ZTF), instrumen survei langit yang terpasang pada Teleskop Samuel Oschin yang terletak di Caltech's Palomar Observatory.
Memindai langit malam untuk peristiwa singkat atau sementara yang dapat mencakup segala sesuatu mulai dari asteroid yang berpacu hingga memberi makan lubang hitam dan supernova, ZTF menghasilkan data dalam jumlah besar setiap malam. Sedemikian rupa sehingga anggota tim ZTF tidak mungkin menyaringnya sendirian, yang mengarah pada pengembangan SNIascore untuk membantu tugas yang monumental ini.
"Kami membutuhkan uluran tangan, dan kami tahu bahwa begitu kami melatih komputer kami untuk melakukan pekerjaan itu, mereka akan mengambil beban besar dari punggung kami," staf astronom di Caltech dan dalang di balik algoritme baru, Christoffer Fremling, mengatakan dalam sebuah penyataan(terbuka di tab baru).
Sejak pengamatan pertama ZTF pada tahun 2017, survei tersebut telah mengidentifikasi ribuan supernova yang dapat diselami menjadi 2 kelas besar; Supernova tipe I yang tidak memiliki tanda-tanda hidrogen, dan supernova Tipe II yang sebaliknya kaya akan hidrogen — unsur paling sederhana dan teringan di alam semesta.
Bentuk supernova Tipe I yang paling umum terjadi ketika sebuah bintang masif melepaskan materi dari bintang donor tetangganya, yang jatuh ke permukaannya dan memicu ledakan termonuklir. Supernova tipe II, di sisi lain, terjadi ketika bintang masif kehabisan bahan bakar yang dibutuhkan untuk fusi nuklir dan tidak dapat lagi menopang dirinya sendiri melawan keruntuhan gravitasi.
SNIascore mengklasifikasikan jenis ledakan kosmik Tipe I tertentu dengan asal berbeda yang disebut supernova Tipe Ia. Ini terjadi ketika bintang yang sekarat meledak dan menghasilkan keluaran cahaya yang begitu seragam sehingga para astronom menyebutnya 'lilin standar'.
Lilin standar ini dapat digunakan untuk mengukur jarak kosmik melintasi kosmos serta berguna untuk mengukur laju perluasan alam semesta.
Fremling dan rekan-rekannya sekarang tidak hanya berencana untuk mengimplementasikan SNIascore dengan teleskop lain , tetapi mereka juga bekerja untuk menyempurnakan SNIascore sehingga algoritme tersebut dapat mengklasifikasikan jenis supernova lain di masa mendatang. Bahkan sebelum kemajuan ini terjadi, alat pembelajaran mesin membentuk kembali astronomi dan mendemonstrasikan perubahan wajah bidang ilmiah ini.
“Gagasan tradisional tentang seorang astronom yang duduk di observatorium dan menyaring gambar teleskop membawa banyak romantisme tetapi menjauh dari kenyataan,” kata profesor riset astronomi di Caltech dan ilmuwan proyek ZTF, Matthew Graham.
Astronom Ashish Mahabal memimpin pekerjaan pembelajaran mesin ZTF serta melayani sebagai ilmuwan komputasi dan data utama di Pusat Penemuan Berbasis Data Caltech. Dia setuju dengan Graham, menambahkan bahwa karya ini "menunjukkan dengan baik bagaimana aplikasi pembelajaran mesin menjadi dewasa dalam astronomi hampir waktu nyata."Setiap malam setelah ZTF selesai mencari langit untuk peristiwa dan objek sementara, data yang dikumpulkannya dikirim ke kubah yang terletak hanya beberapa ratus meter jauhnya yang menyimpan instrumen yang disebut Mesin Distribusi Energi Spektral (SEDM).
SNIascore kemudian bekerja dengan SEDM untuk mengklasifikasikan supernova yang diamati sesuai dengan kelas Tipe Ia. Akibatnya, tim ZTF sedang membangun kumpulan data supernova andal yang dapat digunakan para astronom untuk menyelidiki fisika ledakan bintang yang kuat ini secara lebih mendetail.
"SNIascore mengklasifikasikan supernova pertamanya pada April 2021, dan, satu setengah tahun kemudian, kami mencapai tonggak sejarah yang bagus yaitu 1.000 supernova," kata Fremling. "SNIascore sangat akurat. Setelah 1.000 supernova, kami telah melihat bagaimana kinerja algoritme di dunia nyata."
Fremling menambahkan bahwa sejak April tahun lalu tim ZTF telah menemukan SNIascore telah salah mengklasifikasikan supernova. "Kami tidak menemukan kesalahan klasifikasi yang jelas sejak diluncurkan pada April 2021, dan kami sekarang berencana untuk mengimplementasikan algoritme yang sama dengan fasilitas pengamatan lainnya," kata Fremling.
Fremling dan rekan-rekannya sekarang tidak hanya berencana untuk mengimplementasikan SNIascore dengan teleskop lain, tetapi mereka juga bekerja untuk menyempurnakan SNIascore sehingga algoritme tersebut dapat mengklasifikasikan jenis supernova lain di masa mendatang. Bahkan sebelum kemajuan ini terjadi, alat pembelajaran mesin membentuk kembali astronomi dan mendemonstrasikan perubahan wajah bidang ilmiah ini.
“Gagasan tradisional tentang seorang astronom yang duduk di observatorium dan menyaring gambar teleskop membawa banyak romantisme tetapi menjauh dari kenyataan,” kata profesor riset astronomi di Caltech dan ilmuwan proyek ZTF, Matthew Graham.
Astronom Ashish Mahabal memimpin pekerjaan pembelajaran mesin ZTF serta melayani sebagai ilmuwan komputasi dan data utama di Pusat Penemuan Berbasis Data Caltech. Dia setuju dengan Graham, menambahkan bahwa karya ini "menunjukkan dengan baik bagaimana aplikasi pembelajaran mesin menjadi dewasa dalam astronomi hampir waktu nyata."
