Immagine deep-space della galassia dove è avvenuta la prima supernova classificata con l'IA. Credits: Legacy Surveys / D. Lang (Perimeter Institute) for Legacy Surveys layers and unWISE / NASA/JPL-Caltech / D. Lang (Perimeter Institute)
Per la prima volta in assoluto, una serie di algoritmi di intelligenza artificiale hanno osservato e identificato un’esplosione di supernova, in un processo completamente automatizzato. Successivamente, il rilevamento è stato segnalato a un telescopio che ha confermato la scoperta.
Sviluppato da una collaborazione internazionale guidata dalla Northwestern University, il nuovo sistema Bright Transient Survey bot (BTSbot) automatizza l’intera ricerca di nuove supernovae nel cielo notturno. Ciò prevede di accelerare il processo di analisi e classificazione delle nuove candidate a supernova.
Nabeel Rehemtulla della Northwestern, che ha co-guidato lo sviluppo tecnologico di BTSbot, ha affermato: “Ciò semplifica notevolmente gli studi sulle supernovae, aiutandoci a comprendere meglio i cicli di vita delle stelle e l’origine degli elementi creati, come il carbonio, il ferro e l’oro”.
Il processo di rilevamento e analisi di eventi di supernova è molto lungo, e negli ultimi anni già si eseguiva con il supporto di algoritmi di machine learning. In strutture come la Zwicky Transient Facility (ZTF), un osservatorio robotico per la ricerca di candidate a supernovae, che monitora il cielo notturno e avvisa i ricercatori una volta individuati possibili eventi.
Successivamente, sono i ricercatori stessi a determinare quali eventi osservare con la spettroscopia. Dopo aver impiegato migliaia di ore di lavoro a ispezionare visivamente i singoli candidati.
I ricercatori quindi hanno sviluppato BTSbot per un motivo preciso: eliminare l’intermediario umano e automatizzare l’intero processo di rilevamento, analisi spettroscopica e classificazione.
Per sviluppare lo strumento, Rehemtulla ha addestrato un algoritmo di apprendimento automatico con oltre 1.4 milioni di immagini storiche provenienti da quasi 16 mila fonti. Tra esse, supernovae confermate, brillamenti temporanei di stelle variabili e segnali periodici provenienti da galassie lontane. Lo strumento utilizza una duplice modello: il primo basato su convolutional neural network, il secondo un modello fully connected che lavora su specifiche features estratte dalle immagini stesse. I risultati poi vengono combinati in ulteriori strati fully connected.
Per testare il BTSbot, i ricercatori hanno esaminato una candidata supernova appena scoperta, chiamata SN2023tyk. L’osservatorio ZTF aveva rilevato per la prima volta la sorgente il 3 ottobre. Analizzando tutti i dati raccolti da ZTF in tempo reale, BTSbot ha trovato SN2023tyk due giorni dopo.
Da lì, BTSbot ha richiesto automaticamente lo spettro della potenziale supernova all’Osservatorio Palomar, dove un altro telescopio robotico (SED Machine) ha eseguito osservazioni approfondite per ottenere lo spettro della sorgente.
Quest’ultimo telescopio ha quindi inviato questo spettro allo SNIascore del Caltech per determinare il tipo di supernova: l’esplosione termonucleare di una nana bianca o il collasso del nucleo di una stella massiccia.
Dopo aver stabilito che la candidata era una supernova di tipo Ia, ovvero un’esplosione stellare in cui una nana bianca in un sistema stellare binario, BTSbot ha condiviso autonomamente la scoperta con la comunità astronomica il 7 ottobre.
“La prestazione simulata è stata eccellente” ha affermato Rehemtulla. Attualmente, infatti, le performance di BTSbot sembrano molto buone. Il solo tempo di rilevazione sarebbe di 7.4 ore più rapido rispetto ai metodi tradizionali, il che per oggetti transienti può essere un fattore decisivo.
Un ulteriore perfezionamento dei modelli di base per questo strumento consentirà in futuro agli algoritmi di isolare in automatico le specifiche sottocategorie di esplosioni stellari.
Un risultato come questo è un primo passo verso l’implementazione di sistemi di IA online. Sistemi che dovranno operare in futuro direttamente sui telescopi, per gestire in tempo reale il flusso di informazione. Al contrario di quanto avviene attualmente, nei sistemi offline, per cui i dati vengono osservati, stipati in un archivio o un database e poi analizzati a posteriori tramite machine learning.
Qui l’annuncio della classificazione di SN 2023tyk, rilasciato da Rehemtulla e colleghi. Qui invece la versione pre-print dell’articolo scientifico.
