Laboratoire de Physique de Clermont

Les ensembles de données en astronomie sont devenus de plus en plus volumineux et complexes au cours des dernières décennies. Les grands relevés astronomiques scrutent le ciel selon une trajectoire prédéterminée, enregistrant tout ce qui se passe dans leur champ de vision - et produisant de très grands ensembles de données chaque nuit d’observation. Par conséquent, la découverte de nouveaux objets fascinants est désormais inséparable de l’apprentissage automatique.

L’équipe SNAD ( https://snad.space/ ) est une collaboration internationale et interdisciplinaire fondée par des chercheurs travaillant au LPC (UCA), dont l’objectif est de développer des techniques d’apprentissage automatique qui peuvent s’adapter aux besoins de chaque scientifique.

Nous avons développé un outil complet permettant au modèle d’intégrer les connaissances des experts pendant le cycle d’apprentissage.

Cet outil a été appliqué à un ensemble de données d’observations contenant environ 26,5 millions d’objets, qui avait déjà été examiné par d’autres groupes ( https://snad.space/catalog/ ). Grâce à notre système d’apprentissage adaptatif, nos experts ont pu identifier 57 nouveaux phénomènes transitoires astronomiques qui n’avaient pas été détectés lors des recherches précédentes. Parmi eux, des supernovae, des supernovae superlumineuses et des éruptions de naines rouges.

Il s’agit d’un résultat très encourageant, qui prouve que l’inclusion d’information humaine au cours du cycle d’apprentissage augmente considérablement le potentiel de découverte scientifique. Le système est actuellement en cours d’adaptation pour fonctionner avec le LSST (Large Survey of Space and Time, https://www.lsst.org/) de l’Observatoire Vera Rubin, qui commencera ses opérations en 2024 et devrait détecter environ 10 millions de potentiels phénomènes transitoires par nuit. Nous sommes certains que de nouvelles observations passionnantes se trouveront dans cette base de données et nous nous préparons à pouvoir les identifier.

Figure : Les objets observés sont identifiés grâce aux charactéristiques de leur spectre lumineux. Dans l’image on voit les courbes de lumière des candidats supernova super-lumineux du SNAD en comparaison avec les courbes de lumière de la SLSN SN 2006gy bien étudiée.

Auteurs (en gras, membres du LPC) : M.V. Pruzhinskaya, E.E.O. Ishida, A.K. Novinskaya, E. Russeil, A.A. Volnova, K.L. Malanchev, M.V. Kornilov, P.D. Aleo, V.S. Korolev, V.V. Krushinsky, S. Sreejith, E. Gangler.

Titre du papier : Supernova search with active learning in ZTF DR3

accepté pour publication à Astronomy and Astrophysics, 2023, https://doi.org/10.1051/0004-6361/202245172