簡介

天文學是研究天體的學科，其研究對象包含恒星、星系、黑洞等。研究天體有點像在自然物理實驗室做實驗。在這個實驗室里，會發(fā)生自然界中最為極端的變化過程，而這些過程中的絕大部分都無法在地球上重現(xiàn)。通過比較我們對物理學的了解和在宇宙中發(fā)現(xiàn)的事實，觀察宇宙中的極端事件可以檢驗并深化我們對物理的認知。

在天文學家眼中，發(fā)生在大質(zhì)量恒星生命末期的特殊類型事件就非常有趣。恒星由氫通過引力作用聚集而成，當氫的密度足夠高時，氫原子開始聚變，繼而發(fā)出光，并產(chǎn)生氦、碳、氧、氖等元素。聚變過程會產(chǎn)生向外的壓力，而引力則會產(chǎn)生向內(nèi)的壓力，二者相互作用，使恒星在燃燒燃料時保持穩(wěn)定。當恒星試圖融合鐵原子時，這種穩(wěn)定的狀態(tài)就會發(fā)生變化。由于融合過程不會產(chǎn)生能量，而是必須從恒星中提取能量，從而導致恒星的核心坍塌并發(fā)生超新星爆炸。

蟹狀星云，超新星遺跡（圖片來自 hubblesite.org）

這個過程對天文學家而言極具意義。借助爆炸過程中出現(xiàn)的極端條件，天文學家可以觀察重元素的合成、測試物質(zhì)在高壓和高溫下的行為，也可以觀察爆炸的產(chǎn)物，即中子星或黑洞。

超新星也可以用作標準燭光。如何測量天體的距離是天文學中的一個典型問題。因為恒星距離地球太遠，所以我們很難判斷所看到的恒星是離我們很近但是很暗的恒星，還是離我們很遠但是很亮的恒星。宇宙中大多數(shù)的超新星爆炸過程都非常相似；因此，天文學家選擇使用超新星來測量距離，而距離對宇宙學家研究宇宙膨脹和暗能量等都非常重要。

盡管超新星爆炸時非常亮（與其宿主星系的亮度相比），但由于它們距離地球太遠、爆炸的發(fā)生率太低（每個星系每個世紀大約只有一顆超新星）并且爆炸的持續(xù)時間太短（可能持續(xù)數(shù)天到數(shù)周），因此這類事件很難被發(fā)現(xiàn)。

此外，要從超新星中獲得有用的信息就必須進行跟進，也就是使用一種稱為光譜儀的儀器來觀察目標超新星，并測量爆炸時在不同頻率下釋放的能量。由于許多有趣的物理過程發(fā)生在爆炸開始后的數(shù)小時內(nèi)，因此，最好盡早開始跟進。

那么，我們?nèi)绾尾拍茉谟钪嬷杏^測到的所有天體中快速找到這些超新星爆炸事件呢？

當今的天文學

幾十年前，天文學家必須選擇并對準天空中的某個特定天體才能研究該天體。而目前的現(xiàn)代望遠鏡（例如正在投入使用的茲威基瞬變設施 (ZTF) 或薇拉·魯賓天文臺）能以非常高的速度拍攝天空的大幅圖像，每三天觀察一次可視范圍內(nèi)的天空，還能制作一段南半球天空的影片。如今，ZTF 望遠鏡每晚會生成1.4TB的數(shù)據(jù)，實時識別天空中有趣的變化物體并傳送相關信息。

當某個物體的亮度發(fā)生變化時，這些望遠鏡能夠探測到這種變化并發(fā)出警報。這些警報通過數(shù)據(jù)流發(fā)送，每個警報由三張 63x63 像素的裁剪圖像組成。這三張圖像分別被稱為科學圖像、參照圖像和差值圖像。

科學圖像是對特定觀察位置的最新觀察結(jié)果。通常會在探測開始時拍攝模板，然后將該模板與科學圖像進行比較。科學圖像與模板之間的任何不同之處都會出現(xiàn)在差值圖像中。在對圖像進行一些處理后，用科學圖像減去參照圖像，計算得到的便是差值。

目前，ZTF 望遠鏡平均每晚發(fā)送 10 萬次警報，最多可發(fā)送 100 萬次。如果有人想手動檢查每一個警報，我們不妨假設檢查每一個警報需要 3 秒鐘，那么對于一個普通的夜晚（發(fā)送 10 萬次警報），檢查一晚上所有的警報則需要大約 3.5 天時間。

從左至右分別是科學圖像、參照圖像和差值圖像：這三張圖像加上其他的重要數(shù)據(jù)，如觀測條件和有關物體的信息。第四張圖像來自 PanSTARRS，經(jīng) Aladin Sky Atlas 上色。您可以在 ALeRCE 前端看到超新星的亮度在不同時間的完整變化過程

整理這些接收到警報是一項繁重的任務。當收到新的警報時，產(chǎn)生該警報的天體類型可能是未知的。因此，我們首先需確認是否已在其他觀測中了解到這個天體（交叉匹配）。我們還需要確認是哪一種天體產(chǎn)生的警報（分類）。最后，我們需要整理數(shù)據(jù)并將其提供給社區(qū)。這項任務需要 ALeRCE、Lasair、Antares 等天文分類系統(tǒng)來完成。

由于這些警報基本上包含天空中發(fā)生的一切變化，因此我們應該能夠在 ZTF 望遠鏡發(fā)出的所有警報中找到超新星。但問題在于，其他天體也會發(fā)出警報，例如會發(fā)生亮度變化的恒星（變星）、活動星系核 (AGN) 和小行星，而且有時也會出現(xiàn)測量誤差（誤報）。幸運的是，科學圖像、參照圖像和差值圖像中的一些可區(qū)分特征，能夠幫助我們確定警報來自超新星還是其他天體。我們需要有效地區(qū)分以下五類天體。

只需使用第一個警報就能區(qū)分這五類天體：這些分別是每一類天體的五個示例警報，每個警報都包含科學圖像、參照圖像和差值圖像

簡而言之，活動星系核往往出現(xiàn)在星系中心。超新星通常出現(xiàn)在宿主星系附近。我們會在太陽系平面附近觀測到小行星，并且，它們不會出現(xiàn)在模板圖像中。變星大多會在銀河系中觀測到，因此其圖像中還可以看到其他恒星。出現(xiàn)誤報的原因有很多種，包括相機中有壞的像素點、用于生成差值圖像的減法出錯、宇宙射線（警報圖像中心非常明亮、密集且銳利的區(qū)域）等。

如上文所述，人們不可能手動檢查每一個警報，所以我們需要一種自動分類的方法，這樣天文學家就可以查看更有可能是超新星的最有意義的來源。

利用神經(jīng)網(wǎng)絡尋找超新星

由于我們已大致了解上述五類天體的警報圖像之間的差異，因此原則上我們可以計算特定特征以正確對這些圖像進行分類。但是，手動設計特征通常非常難，并且需要長時間的反復試驗。正因如此，我們決定通過訓練卷積神經(jīng)網(wǎng)絡 (CNN) 來解決分類問題（Carrasco-Davis 等人，2020 年）。在本研究中，我們僅使用第一個警報來快速找出超新星。

Carrasco-Davis 等人，2020 年
https://arxiv.org/abs/2008.03309

我們通過在訓練集中加入每個圖像旋轉(zhuǎn) 90° 后的副本來提供具有旋轉(zhuǎn)不變性的架構(gòu)，然后對圖像的每個旋轉(zhuǎn)后版本的密集表示應用平均池化。在此問題上加上旋轉(zhuǎn)不變性非常有用，因為警報圖像中的結(jié)構(gòu)沒有固定的顯示方向（Cabrera-Vives 等人，2017 年、E. Reyes 等人，2018 年）。我們還添加了警報中包含的部分元數(shù)據(jù)，例如，天空坐標上的位置、到其他已知物體的距離，以及大氣狀況指標等。在使用交叉熵訓練模型后，即使出現(xiàn)分類器預測錯類別的情況，分類結(jié)果的概率也高度集中在 0 或 1 附近。如果專家要在模型給出預測后，進一步篩選出超新星，那么這個方法就不太方便。飽和值 0 或 1 無法提供與模型錯誤分類的概率，以及做出的第二或第三可能的類別預測有關的數(shù)據(jù)分析。

Cabrera-Vives 等人，2017 年
https://doi.org/10.3847/1538-4357/836/1/97

E. Reyes 等人，2018 年
https://doi.org/10.1109/IJCNN.2018.8489627

因此，除損失函數(shù)中的交叉熵項之外，我們還添加了額外的項來盡可能地提高預測的熵，以分散輸出概率的值（Pereyra 等人，2017 年）。此舉改善了預測的細粒度或定義，模型輸出的概率不再聚集，而是分散在 0 到 1 的整個范圍內(nèi)，因此模型做出的預測更易理解，進而能夠幫助天文學家選擇符合條件的超新星候選者進行報告跟進。

Pereyra 等人，2017 年
https://arxiv.org/abs/1701.06548

具有增強的旋轉(zhuǎn)不變性的卷積神經(jīng)網(wǎng)絡：為每個輸入圖像創(chuàng)建旋轉(zhuǎn)副本并將其饋送到相同的 CNN 架構(gòu)，然后在將其與元數(shù)據(jù)串聯(lián)之前，在密集層中應用平均池化。最后，應用另外兩個完全連接的層和 softmax 以獲得預測結(jié)果

我們對 ZTF 整個覆蓋范圍內(nèi)均勻分布在太空中的 40 萬個物體進行了推斷，以對模型預測結(jié)果進行合理性檢查。檢查結(jié)果證明，CNN 預測的每個天體類別的空間分布均符合預期（基于每個天體的性質(zhì)）。

例如，AGN 和超新星 (SNe) 大多會在銀河平面之外（即河外天體）找到，因為有其他天體的遮擋，所以不太可能透過銀河平面看到更遠位置上的天體。模型正確預測了靠近銀道面（銀道緯度接近 0）的天體數(shù)量較少。在銀道內(nèi)正確發(fā)現(xiàn)了具有較高密度的變星。和預期的一樣，在太陽系平面（也稱為黃道，用黃線標出）附近發(fā)現(xiàn)了小行星，而誤報也隨處可見。在大型未標記數(shù)據(jù)集中進行推斷，可為我們提供有關訓練集內(nèi)偏差的重要線索，還可幫助我們確定 CNN 所使用的重要元數(shù)據(jù)。

我們發(fā)現(xiàn)，雖然圖像（科學圖像、參照圖像和差值圖像）內(nèi)的信息足以讓我們在訓練集中獲得良好的分類結(jié)果，但是整合來自元數(shù)據(jù)的信息對獲得預測結(jié)果的正確空間分布至關重要。

未標記天體集的空間分布：每張圖均采用銀道坐標。銀道的緯度中心位于銀河系，因此，維度接近 0 也意味著更接近銀道面。銀道經(jīng)度表示我們在銀道面內(nèi)看到的是銀盤的哪一部分。黃線表示太陽系平面（黃道）

Supernova Hunter

此項目的重要組成部分是網(wǎng)絡界面，通過此界面，天文學家可瀏覽由我們的神經(jīng)網(wǎng)絡按照該候選者屬于超新星的置信度排序的候選天體名單。Supernova Hunter 是一款可視化工具，可用于展示與警報相關的重要信息，天文學家可利用此工具選擇應將哪些天體報告為超新星。此工具還設有一個按鈕，可用來報告模型做出的錯誤分類。我們收到報告的錯誤分類后，會將其添加到訓練集中，并會在稍后手動標記這些錯誤示例來改進模型。

Supernova Hunter
https://snhunter.alerce.online/

Supernova Hunter：瀏覽超新星候選者的用戶界面。此界面顯示一串警報列表，而這些警報有很大的可能性是超新星。對于每個警報，警報的圖像、天體的位置和元數(shù)據(jù)均會顯示在網(wǎng)頁上

通過使用神經(jīng)網(wǎng)絡分類器和 Supernova Hunter，我們已利用光譜方法確認出 394 個超新星，并在 2019 年 6 月 26 日至 2020 年 7 月 21 日期間向 Transient Name Server 報告了 3060 個超新星候選者，平均每天報告 9.2 個。這樣的發(fā)現(xiàn)速度可極大提高在爆炸早期找到的超新星數(shù)量。

展望未來

目前，我們正在努力改善模型的分類性能，以獲得更符合條件的超新星候選者，并減少報告過程中所需的專家助手人數(shù)。理想情況下，我們希望擁有一個能夠自動報告每個可能的超新星候選者的系統(tǒng)。

此外，我們還希望擴展我們模型的功能，讓其能夠使用多個時間戳。我們開發(fā)了一個神經(jīng)網(wǎng)絡模型，此模型能夠接收一系列的圖像而不是單個時間戳的圖像，因此，每當特定物體有新圖像可用時，此模型就能夠整合新收取的信息，從而可以提高其對每個類別的預測結(jié)果的置信度。

使用多個時間戳
https://doi.org/10.1088/1538-3873/aaef12

我們研究工作的另一大重點是使用異常檢測技術發(fā)現(xiàn)稀有物體。這項任務非常重要，因為得益于新型望遠鏡空前龐大的采樣率和每次觀測的空間深度，我們很可能能夠發(fā)現(xiàn)新的天體類型。

我們認為這種分析大量天文數(shù)據(jù)的新方法不僅有用，而且很有必要。為科學界提供數(shù)據(jù)的管理、分類和再分發(fā)是利用天文數(shù)據(jù)進行科學研究的重要一環(huán)。這項任務需要整合來自不同領域的專業(yè)知識，例如計算機科學、天文學、工程學和數(shù)學。隨著新型現(xiàn)代望遠鏡的建成（如薇拉·魯賓天文臺），勢必會極大地改變天文學家研究天體的方式，而作為 ALeRCE 代理，我們將做好一切準備來實現(xiàn)這一點。如需了解詳細信息，請訪問我們的網(wǎng)站，或瀏覽我們的論文：ALeRCE 演示論文，文中描述了完整的處理流水線；時間戳分類器（本文中描述的研究項目）；以及光曲線分類器，該分類器通過使用稱為光曲線的時間序列，提供了更復雜的分類和更大的分類學。

責任編輯：lq