L'équipe SNAD, un réseau international de chercheurs comprenant Matvey Kornilov, professeur agrégé de la faculté de physique de l'université HSE, a découvert 11 anomalies spatiales non détectées auparavant, dont sept sont des supernova candidates. Les chercheurs ont analysé des images numériques du ciel du Nord prises en 2018 à l'aide d'un arbre k-D pour détecter les anomalies grâce à la méthode du « voisin le plus proche ». Des algorithmes d'apprentissage automatique ont permis d'automatiser la recherche. L'article est publié dans New Astronomy .

La plupart des découvertes astronomiques ont été basées sur des observations avec des calculs ultérieurs. Alors que le nombre total d'observations au XXe siècle était encore relativement faible, les volumes de données ont considérablement augmenté avec l'arrivée des relevés astronomiques à grande échelle. Par exemple, le Zwicky Transient Facility (ZTF), qui utilise une caméra à grand champ pour surveiller le ciel du Nord, génère environ 1,4 To de données par nuit d'observation et son catalogue contient des milliards d'objets. Le traitement manuel de ces énormes quantités de données est à la fois coûteux et chronophage, c'est pourquoi l'équipe de chercheurs du SNAD de Russie, de France et des États-Unis s'est réunie pour développer une solution automatisée.

Lorsque les scientifiques examinent des objets astronomiques, ils observent leurs courbes de lumière, qui montrent les variations de la luminosité d'un objet en fonction du temps. Les observateurs identifient d'abord un éclair de lumière dans le ciel, puis suivent son évolution pour voir si la lumière s'éclaircit ou s'affaiblit avec le temps, ou s'éteint. Dans cette étude, les chercheurs ont examiné un million de courbes de lumière réelles du catalogue 2018 du ZTF et sept modèles de courbes en direct simulées des types d'objets à l'étude. Au total, ils ont suivi une quarantaine de paramètres, dont l'amplitude de la luminosité d'un objet et le délai.

"Nous avons décrit les propriétés de nos simulations en utilisant un ensemble de caractéristiques censées être observées dans de vrais corps astronomiques. Dans l'ensemble de données d'environ un million d'objets, nous recherchions des supernovae super puissantes, des supernovae de type Ia, des supernovae de type II et des marées. événements perturbateurs », explique Konstantin Malanchev, co-auteur de l'article et postdoctorant à l'Université de l'Illinois à Urbana-Champaign. "Nous nous référons à ces classes d'objets comme des anomalies. Ils sont soit très rares, avec des propriétés peu connues, soit semblent suffisamment intéressants pour mériter une étude plus approfondie."

Les données de courbe de lumière d'objets réels ont ensuite été comparées à celles de simulations utilisant l'algorithme d'arbre k-D. Un arbre kD est une structure de données géométrique permettant de diviser l'espace en parties plus petites en le coupant avec des hyperplans, des plans, des lignes ou des points. Dans la recherche actuelle, cet algorithme a été utilisé pour affiner la plage de recherche lors de la recherche d'objets réels avec des propriétés similaires à celles décrites dans les sept simulations.

Par la suite, l'équipe a identifié 15 voisins les plus proches, c'est-à-dire des objets réels de la base de données ZTF, pour chaque simulation, soit 105 correspondances au total, que les chercheurs ont ensuite examinées visuellement pour vérifier les anomalies. La vérification manuelle a confirmé 11 anomalies, dont sept étaient des candidats de supernova et quatre étaient des candidats de noyaux galactiques actifs où des événements de perturbation des marées pourraient se produire.

"C'est un très bon résultat", commente Maria Pruzhinskaya, co-auteur de l'article et chercheuse à l'Institut d'astronomie Sternberg. "En plus des objets rares déjà découverts, nous avons pu en détecter plusieurs nouveaux précédemment manqués par les astronomes. Cela signifie que les algorithmes de recherche existants peuvent être améliorés pour éviter de manquer de tels objets."

Cette étude démontre que la méthode est très efficace, tout en étant relativement facile à appliquer. L'algorithme proposé pour détecter les phénomènes spatiaux d'un certain type est universel et peut être utilisé pour découvrir tous les objets astronomiques intéressants, sans se limiter aux rares types de supernovae.

"Les phénomènes astronomiques et astrophysiques qui n'ont pas encore été découverts sont en fait des anomalies", selon Matvey Kornilov, professeur agrégé de la faculté de physique de l'université HSE. "Leurs manifestations observées devraient différer des propriétés des objets connus. À l'avenir, nous essaierons d'utiliser notre méthode pour découvrir de nouvelles classes d'objets." + Explorer plus loin

Un nouveau pipeline de détection d'anomalies pour les systèmes de découverte et de recommandation astronomiques