Ketika para ilmuwan memeriksa objek astronomi, mereka mengamati kurva cahayanya, yang menunjukkan variasi kecerahan objek sebagai fungsi waktu
Ilustrasi (Foto: NASA)
Melansir dna, studi ini diterbitkan dalam jurnal, 'New Astronomy'. Para peneliti menganalisis gambar digital dari langit Utara yang diambil pada tahun 2018 menggunakan pohon k-D untuk mendeteksi anomali melalui metode 'nearest neighbor'. Algoritme pembelajaran mesin membantu mengotomatiskan pencarian. Sebagian besar penemuan astronomi didasarkan pada pengamatan dengan perhitungan berikutnya. Sementara jumlah total pengamatan pada abad ke-20 masih relatif kecil, volume data meningkat secara drastis dengan datangnya survei astronomi skala besar.
Misalnya, Zwicky Transient Facility (ZTF), yang menggunakan kamera pandangan bidang lebar untuk mensurvei langit Utara, menghasilkan ~1,4 TB data per malam pengamatan dan katalognya berisi miliaran objek. Memproses data dalam jumlah besar secara manual membutuhkan biaya dan waktu yang mahal, sehingga tim peneliti SNAD dari Rusia, Prancis, dan AS berkumpul untuk mengembangkan solusi otomatis.
Ketika para ilmuwan memeriksa objek astronomi, mereka mengamati kurva cahayanya, yang menunjukkan variasi kecerahan objek sebagai fungsi waktu. Pengamat pertama-tama mengidentifikasi kilatan cahaya di langit dan kemudian mengikuti evolusinya untuk melihat apakah cahaya menjadi lebih terang atau lebih lemah seiring waktu atau padam.
Dalam studi ini, para peneliti memeriksa satu juta kurva cahaya nyata dari katalog ZTF 2018 dan tujuh model kurva langsung yang disimulasikan dari jenis objek yang diteliti. Secara total, mereka mengikuti sekitar 40 parameter, termasuk amplitudo kecerahan objek dan jangka waktu.
“Kami menggambarkan sifat-sifat simulasi kami menggunakan serangkaian karakteristik yang diharapkan dapat diamati dalam benda-benda astronomi nyata. Dalam kumpulan data sekitar satu juta objek, kami mencari supernova super kuat, supernova Tipe Ia, supernova Tipe II, dan peristiwa gangguan pasang surut," jelas Konstantin Malanchev, rekan penulis makalah dan postdoc di University of Illinois di Urbana-Champaign.
"Kami menyebut kelas objek seperti itu sebagai anomali. Mereka sangat langka, dengan sedikit sifat yang diketahui, atau tampak cukup menarik untuk dipelajari lebih lanjut," tambahnya.
Data kurva cahaya dari objek nyata kemudian dibandingkan dengan simulasi menggunakan algoritma pohon k-D. Pohon k-D adalah struktur data geometrik untuk membagi ruang menjadi bagian-bagian yang lebih kecil dengan memotongnya dengan hyperplane, bidang, garis, atau titik. Dalam penelitian saat ini, algoritma ini digunakan untuk mempersempit jangkauan pencarian ketika mencari objek nyata dengan sifat yang mirip dengan yang dijelaskan dalam tujuh simulasi.
Selanjutnya, tim mengidentifikasi 15 tetangga terdekat, yaitu objek nyata dari database ZTF, untuk setiap simulasi, total 105 kecocokan, yang kemudian diperiksa oleh para peneliti secara visual untuk memeriksa anomali. Verifikasi manual mengkonfirmasi 11 anomali, tujuh di antaranya adalah kandidat supernova, dan empat adalah kandidat inti galaksi aktif di mana peristiwa gangguan pasang surut dapat terjadi.
"Ini adalah hasil yang sangat bagus," komentar Maria Pruzhinskaya, rekan penulis makalah dan peneliti di Institut Astronomi Sternberg.
"Selain benda langka yang sudah ditemukan, kami dapat mendeteksi beberapa benda baru yang sebelumnya terlewatkan oleh para astronom. Ini berarti bahwa algoritma pencarian yang ada dapat ditingkatkan untuk menghindari hilangnya objek tersebut," imbuhnya.
Studi ini menunjukkan bahwa metode ini sangat efektif, sementara relatif mudah diterapkan. Algoritma yang diusulkan untuk mendeteksi fenomena ruang dari jenis tertentu bersifat universal dan dapat digunakan untuk menemukan objek astronomi yang menarik, tidak terbatas pada jenis supernova yang langka.
Menurut Matvey Kornilov, Associate Professor dari Fakultas Fisika Universitas HSE mengatakan, fenomena astronomi dan astrofisika yang belum ditemukan sebenarnya adalah anomali.
"Manifestasi mereka yang diamati diharapkan berbeda dari sifat-sifat objek yang diketahui. Di masa depan, kami akan mencoba menggunakan metode kami untuk menemukan kelas objek baru." katanya.
