Naukowcy mogą wydobyć więcej wiedzy z tych samych danych, przyczyniając się do głębszego zrozumienia kosmosu.
Żyjemy w erze informacji – dotyczy to także astronomii. Wiele współczesnych teleskopów z założenia przygotowana jest z myślą o codziennym skanowaniu dużych obszarów naszego nieba – katalogują i obrazują miliony, a nawet miliardy obiektów. Tak duża ilość informacji może zdziałać cuda dla nauki, ale może też niezwykle utrudnić codzienną pracę. Przy takiej skali danych często trudno jest też powiązać ze sobą obiekty (czasem te same fizycznie ciała niebieskie) występujące w różnych badaniach i przeglądach nieba. Właśnie z tego powodu zespół naukowców z Uniwersytetu Johnsa Hopkinsa zwrócił się w stronę nauk o danych (tzw. Data Science), aby opracować całkiem nową metodę przeprowadzania takich dopasowań.
Ustalmy na początek jedno – kojarzenie, czy też z angielskiego „matchowanie” ze sobą tych samych oraz różnych lub z pozoru tylko różnych obiektów astronomicznych jest kluczowe dla naukowców zajmujących się kosmosem, ponieważ różne przeglądy nieba dostarczają im nieco innych informacji o nich, dotyczących na przykład długości fali, czasu ekspozycji zdjęcia, a nawet daty wykonania przeglądu czy pojedynczej obserwacji. Przeglądy takie jak Sloan Digital Sky Survey, Hubble Source Catalog, Fermi Gamma-ray Space Telescope i Evolutionary Map of the Universe wykrywają typowo od tysięcy do miliardów obiektów w szerokim zakresie długości fal i w bardzo różnych warunkach.
Jak można sobie wyobrazić, często pojawiają się problemy, gdy badacze próbują zbadać obiekt, który może być obecny w więcej niż jednym z tych przeglądów. Patrząc na dwa różne przeglądy, zwłaszcza wykonane na wielu różnych długościach fal, może być trudno określić, która galaktyka jest która. Aby jednak uzyskać właściwe wyniki, obiekty takie muszą być do siebie prawidłowo dopasowane, na przykład z uwzględnieniem marginesu błędu pozycji na niebie.
Problem w tym, że nie zawsze jest to łatwe. I właśnie to wyzwanie podjęli ostatnio Jacob Feitelberg, Amitabh Basu i Tamás Budavári z Uniwersytetu Johnsa Hopkinsa. Korzystając z technik często spotykanych w nauce o danych, udało im się poprawnie „sparować” obiekty z wielu osobnych badań w celu uzyskania wysokiego stopnia prawdopodobieństwa, że niektóre z tych zarejestrowanych obiektów są rzeczywiście tym samym obiektem. pod względem fizycznym. Dla każdej obserwacji z przeglądu numer 1 i numer przeglądu 2 nadawali takiej możliwej parze określony wynik, czyli współczynnik mierzący prawdopodobieństwo, że dane obserwacje dotyczyły tego samego obiektu. Taka punktacja pozwala na szybkie łączenie w pary ogromnych ilości danych. Metoda zespołu okazała się na tyle skuteczna, że naukowcy mogli nawet z jej pomocą dopasować do siebie obiekty między 100 różnymi katalogami.
Obserwacje te mają fundamentalne znaczenie dla formułowania teorii na temat naszego Wszechświata – od najmniejszych cząstek po ogromne przestrzenie kosmiczne. Poprzez dopasowanie obserwacji wykonanych w różnym czasie i przy użyciu różnych teleskopów badacze mogą wydobyć z danych znacznie więcej wiedzy, przyczyniając się do głębszego zrozumienia kosmosu – powiedział Budavári.
Kod zespołu użyty w tych badaniach jest już publicznie dostępny, a artykuł na ten temat został opublikowany we wrześniu w „The Astronomical Journal”.
Czytaj więcej:
- Cały artykuł
- Oryginala praca naukowa: Fast Globally Optimal Catalog Matching using MIQCP (The Astronomical Journal)
Źródło: Space.com
Opracowanie: Elżbieta Kuligowska
Na zdjęciu: Teleskop Jamesa Webba zobrazował galaktykę Koło Wozu (ang. Cartwheel) i jej bliskie towarzyszki. (ASA, ESA, CSA, STScI, Webb ERO Production Team)
