به گزارش سایت خبری پرسون، یک گروه بین‌المللی از پژوهشگران، ۱۱ ناهنجاری فضایی را کشف کرده‌اند که پیشتر شناسایی نشده بودند. پژوهشگران، تصاویر دیجیتالی از آسمان را که در سال ۲۰۱۸ گرفته شده بودند، برای تشخیص ناهنجاری‌ها تجزیه و تحلیل کردند. الگوریتم‌های یادگیری ماشینی به خودکارسازی جستجو کمک کردند.
بیشتر اکتشافات نجومی، براساس مشاهداتی همراه با محاسبات متوالی انجام شده‌اند. اگرچه تعداد کلی مشاهدات صورت‌گرفته در قرن بیستم نسبتا کم بود اما حجم داده‌ها با ورود بررسی‌های نجومی در مقیاس بزرگ، به شدت افزایش یافت. به عنوان مثال، سیستم نقشه‌برداری از آسمان موسوم به "ZTF" که از یک دوربین دید وسیع برای بررسی آسمان استفاده می‌کند، در هر شب رصد خود می‌تواند ۱.۴ ترابایت داده تولید کند. پردازش دستی چنین حجم عظیمی از داده‌ها هم پرهزینه و هم زمان‌بر است؛ بنابراین این گروه پژوهشی برای توسعه یک راه حل خودکار گرد هم آمدند.
وقتی دانشمندان به بررسی اجرام نجومی می‌پردازند، منحنی‌های نوری آنها را مشاهده می‌کنند که تغییرات روشنایی یک جرم را به عنوان تابعی از زمان نشان می‌دهند. دانشمندان ابتدا درخشش نور را در آسمان شناسایی می‌کنند و سپس، تکامل آن را دنبال می‌کنند تا ببینند که نور با گذشت زمان روشن‌تر یا ضعیف‌تر یا خاموش می‌شود. پژوهشگران در این پروژه، یک میلیون منحنی نور واقعی را از کاتالوگ ZTF در سال ۲۰۱۸ و هفت مدل منحنی شبیه‌سازی‌شده از انواع اجرام مورد بررسی را ارزیابی کردند. آنها در مجموع، حدود ۴۰ پارامتر از جمله دامنه روشنایی یک جرم و بازه زمانی را دنبال کردند.
"کنستانتین مالانچف" (Konstantin Malanchev)، پژوهشگر "دانشگاه ایلینوی در اربانا شمپین" (UIUC) و از پژوهشگران این پروژه گفت: ما شبیه‌سازی‌های خود را با استفاده از مجموعه‌ای از ویژگی‌هایی توضیح دادیم که انتظار می‌رود در اجرام نجومی واقعی مشاهده شوند. در مجموعه داده شامل حدود یک میلیون جرم، ما به دنبال ابرنواخترهای فوق قوی، "ابرنواخترهای نوع یکم ای" (Type Ia supernova)، "ابرنواخترهای نوع دو" (Type II supernova) و اختلال جزر و مدی بودیم. ما این گروه از اجرام را به عنوان ناهنجاری می‌شناسیم. آنها یا بسیار نادر و همراه با ویژگی‌های کمتر شناخته‌شده هستند یا آنقدر جالب به نظر می‌رسند که ارزش مطالعه بیشتر را داشته باشند.
داده‌های منحنی نور به دست آمده از اجرام واقعی با استفاده از الگوریتم "درخت کی‌دی" (k-D tree) با شبیه‌سازی‌ها مقایسه شد. درخت کی‌دی، یک ساختار داده هندسی برای تقسیم فضا به بخش‌های کوچکتر است. در پژوهش کنونی، از این الگوریتم برای محدود کردن محدوده جستجو هنگام جستجوی اجرام واقعی استفاده شد.
پژوهشگران، ۱۵ نمونه از اجرام واقعی را در پایگاه داده ZTF برای هر شبیه‌سازی شناسایی کردند و سپس آنها را به صورت بصری برای ارزیابی ناهنجاری‌ها مورد بررسی قرار دادند. راستی‌آزمایی دستی، ۱۱ ناهنجاری را تأیید کرد.
"ماریا پروژینسایا" (Maria Pruzhinskaya)، پژوهشگر "موسسه نجوم استرنبرگ" (Sternberg Astronomical Institute) روسیه و از پژوهشگران این پروژه گفت: این یک نتیجه بسیار خوب است. علاوه بر اجرام کمیابی که پیشتر کشف شده بودند، ما توانستیم چندین مورد جدید را نیز شناسایی کنیم که ستاره‌شناسان قبلا آنها را شناسایی نکرده بودند. این بدان معناست که الگوریتم‌های کنونی جستجو را می‌توان بهبود بخشید تا چنین اجرامی ناشناخته باقی نمانند.
این پژوهش نشان می‌دهد که روش مورد استفاده بسیار مؤثر است و در عین حال، کاربرد نسبتا آسانی دارد. الگوریتم پیشنهادی برای تشخیص پدیده‌های فضایی از نوع خاص، جهانی است و می‌توان از آن برای کشف هر جرم نجومی جالبی استفاده کرد. این الگوریتم به انواع نادر ابرنواخترها محدود نمی‌شود.
"ماتوی کورنیلوف" (Matvey Kornilov)، پژوهشگر "دانشگاه اچ‌اس‌ئی" (HSE University) روسیه و از پژوهشگران این پروژه گفت: پدیده‌های نجومی و اخترفیزیکی که هنوز کشف نشده‌اند، ناهنجاری هستند. انتظار می‌رود که ویژگی‌های مشاهده‌شده آنها با ویژگی اجرام شناخته‌شده متفاوت باشد. در آینده تلاش خواهیم کرد تا با استفاده از روش خود، گروه‌های جدیدی از اجرام را کشف کنیم.
این پژوهش، در مجله "New Astronomy" به چاپ رسید.
