دسته‌بندی ابرنواخترها به کمک هوش مصنوعی

ابزار مذکور آسمان شب را برای هرگونه رویداد کوتاه مدتی بررسی کرد که موارد مختلف از سیارک‌هایی که به سمت سیاهچاله‌ها می‌روند تا ابرنواختر‌ها را شامل می‌شود.ZTF مقدار انبوهی داده را هر شب منتشر می‌کند؛ بنابراین اعضای تیم آن نمی‌توانستند به تنهایی اطلاعات را غربال کنند. در نتیجه الگوریتم SNIascore توسعه یافت تا در انجام این ماموریت کمک حال باشد.

کریستوفر فرملینگ یکی از ستاره شناسان کل تک و مغز متفکر الگوریتم جدید می‌گوید: ما به کمک احتیاج داشتیم و می‌دانسیتم هنگامیکه این کار را به یکی از رایانه هایمان آموزش دهیم، آن‌ها می‌توانند حجم زیادی از کار ما را کم کنند.ZTF از زمان نخستین رصد در سال ۲۰۱۷ میلادی، هزاران ابرنواختر شناسایی کرده که می‌توان آن‌ها را به دو دسته وسیع تقسیم کرد؛ ابرنواختر‌های نوع یک که هیچ نشانی از هیدروژن در آن‌ها نیست و ابرنواختر‌های نوع دوم که غنی از هیدروژن هستند.

به طور معمول ابرنواختر نوع یک زمانی به وجود می‌آید که ستاره‌ای بزرگ ماده را از ستاره اهدا کننده همسایه خود می‌گیرد و همین امر به یک انفجار عظیم منجر می‌شود. ابرنواختر نوع دوم زمانی به وجود می‌آید که سوخت ستاره‌های عظیم برای همجوشی هسته‌ای تمام می‌شود و آن‌ها دیگر نمی‌توانند در مقابل فروپاشی گرانشی از خود دفاع کنند.

الگوریتمی که محققان توسعه دادند، نوع خاصی از انفجار کهکشانی نوع یک را با منشایی متفاوت شناسایی کرد که زمانی به وجود می‌آید که یک ستاره منفجر شده و در نتیجه آن نور خارج شونده چنان یکسان و یکنواخت است که ستاره شناسان آن‌ها را «شمع‌های استاندارد» می‌نامند.این شمع‌های استاندارد را می‌توان برای اندازه گیری مسافت‌های کیهانی در سراسر جهان به کار برد. همچنین آن‌ها برای درجه بندی میزان گسترش جهان کارآمد هستند.