شهرونددانشمندان  10000 ستاره متغیر جدید پیدا کردند!!

اعتبارCC0 Public Domain

طبق یک مقاله اخیر، شهروند دانشمندان داوطلب که داده‌های شبکه‌ای از تلسکوپ‌ها را در سراسر جهان تجزیه می‌کنند، امسال 10000 ستاره متغیر جدید را در کهکشان راه شیری شناسایی کردند.

داوطلبان از ژانویه در حال بررسی داده‌ها برای ابرنواخترها بوده اند. این نظرسنجی که با نام ASAS-SN  شناخته می‌شود توسط محققان دانشگاه ایالتی اوهایو اجرا می‌شود.

در مقاله‌ای، محققان آنچه را شرح دادند که پروژه علمی شهروندی به نام Citizen ASAS-SN تاکنون انجام داده است: بیش از 3100 داوطلب حدود 839000 طبقه‌بندی از بیش از 100000 منحنی نور را انجام داده‌اند. ستاره متغیر ستاره‌ای است که روشنایی آن در طول زمان تغییر می‌کند – نوری که از چنین ستاره‌ای می بینیم ثابت نیست.

دانشمندان داوطلب همچنین می‌توانستند داده‌ها را به عنوان «ناخواسته» طبقه‌بندی کنند، به این معنی که چیزی غیر از یک ستاره است. به عنوان مثال، ماهواره‌های در مدار پایین زمین می‌توانند با نور ستاره‌ها در تلسکوپ‌ها تداخل ایجاد کنند. داده‌های یک ماهواره به عنوان ناخواسته طبقه‌بندی می‌شود. و دانشمندان داوطلب  اگر منحنی‌های نور در یکی از کلاس‌های دیگر ستارگان متغیر قرار نگیرند می‌توانند داده‌ها را به عنوان “ناشناخته” علامت‌گذاری کنند.

برخی از ستارگانی که دانشمندان داوطلب طبقه‌بندی کرده‌اند قبلاً شناسایی شده بودند که به محققان در ایالت اوهایو راهی برای بررسی دقیق بودن داوطلبان داد.

کالین کریستی، نویسنده اصلی مقاله و تحلیلگر ASAS-SN گفت: «معلوم شد که آنها بسیار دقیق بودند. “کاربران ما در یافتن سیستم‌های گرفت و تپش در داده‌های ما واقعا خوب بودند.”

محققان دریافتند که کاربران همچنین می‌توانند به راحتی داده‌های ناخواسته را شناسایی کنند.

این پروژه بر اساس کار قبلی و در حال انجام ASAS-SN برای جستجوی سیاهچاله‌ها و سایر پدیده‌های کیهان در آسمان ساخته شده است. تلسکوپ‌های ASAS-SN اخیراً ارتقا یافته‌اند و به اخترشناسان این امکان را می‌دهد تا در اعماق فضا در جستجوی ستاره‌های متغیر جدید، ابرنواخترها و دیگر اجرام نگاه کنند. تجزیه و تحلیل قبلی داده‌های ASAS-SN عمدتاً با استفاده از الگوریتم‌های یادگیری ماشینی انجام شده است، جایی که یک الگوریتم کامپیوتری آموزش دیده داده‌ها را طبقه‌بندی می‌کند.

تاریندو جایاسینگ، یکی از نویسندگان مقاله، یک دانشجوی دکترا، گفت: “هدف اصلی ما این است که داده‌های خود را عمومی کنیم، علم خود را با جامعه وسیع‌تری از مردم به اشتراک بگذاریم و البته می‌خواستیم تحقیقات علمی را از آن استخراج کنیم.””و این برای تعامل با مردم خوب بوده است. مردم به علم کمک می‌کنند، و تعامل بین دانشمندان و مردم در این پلتفرم‌ها وجود دارد: کاربران می‌توانند از ما سوالاتی بپرسند و این باعث ایجاد ارتباط می‌شود و همچنین به مردم یاد می‌دهیم که چگونه این علم را انجام دهند.”

کار شهرونددانشمندان همچنین به بهبود الگوریتم یادگیری ماشینی کمک می‌کند: به گفته جایاسینگ، ورودی آنها به ماشین کمک می‌کند تا بهتر بفهمد چه داده‌هایی “ناخواسته” هستند و چه چیزهایی مفید هستند.

جایاسینگ گفت: «چشم انسان می‌تواند چیزهای غیرعادی را تشخیص دهد و بسیار بهتر از آنچیزی است که دستگاه قادر به انجام آن بوده است و زمانی که آن‌ها این موضوع را به تیم تحقیقاتی گزارش می‌دهند، به ما امکان می‌دهد این اکتشافات واقعاً بزرگ را انجام دهیم.» “اگر شما به انسانها فرصت دهید، آنها می‌توانند کارهای بسیار شگفت‌انگیزی انجام دهند.

ترجمه: سارا سیدحاتمی

منبع:

Citizen scientists find 10,000 new variable stars

by Laura Arenschield, The Ohio State University NOVEMBER 10, 2021

https://phys.org/news/2021-11-citizen-scientists-variable-stars.html