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。通過比較我們對物理學的了解和在宇宙中發現的事實，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，發生在大質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，繼而發出光，并產生氦、碳、氧、氖等元素。聚變過程會產生向外的壓力，而引力則會產生向內的壓力，二者相互作用，使恒星在燃燒燃料時保持穩定。當恒星試圖融合鐵原子時，這種穩定的狀態就會發生變化。由于融合過程不會產生能量，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的極端條件，天文學家可以觀察重元素的合成、測試物質在高壓和高溫下的行為，也可以觀察爆炸的產物，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）并且爆炸的持續時間太短（可能持續數天到數周），因此這類事件很難被發現。

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生在爆炸開始后的數小時內，因此，最好盡早開始跟進。

那么，我們如何才能在宇宙中觀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的數據，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生變化時，這些望遠鏡能夠探測到這種變化并發出警報。這些警報通過數據流發送，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 望遠鏡平均每晚發送 10 萬次警報，最多可發送 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據，如觀測條件和有關物體的信息。第四張圖像來自 PanSTARRS，經 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生的警報（分類）。最后，我們需要整理數據并將其提供給社區。這項任務需要 ALeRCE、Lasair、Antares 等天文分類系統來完成。

由于這些警報基本上包含天空中發生的一切變化，因此我們應該能夠在 ZTF 望遠鏡發出的所有警報中找到超新星。但問題在于，其他天體也會發出警報，例如會發生亮度變化的恒星（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。我們需要有效地區分以下五類天體。

只需使用第一個警報就能區分這五類天體：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在星系中心。超新星通常出現在宿主星系附近。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。

利用神經網絡尋找超新星

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網絡 (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 90° 后的副本來提供具有旋轉不變性的架構，然后對圖像的每個旋轉后版本的密集表示應用平均池化。在此問題上加上旋轉不變性非常有用，因為警報圖像中的結構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據，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，即使出現分類器預測錯類別的情況，分類結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據分析。

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，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

具有增強的旋轉不變性的卷積神經網絡：為每個輸入圖像創建旋轉副本并將其饋送到相同的 CNN 架構，然后在將其與元數據串聯之前，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 以獲得預測結果

我們對 ZTF 整個覆蓋范圍內均勻分布在太空中的 40 萬個物體進行了推斷，以對模型預測結果進行合理性檢查。檢查結果證明，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）。

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）的天體數量較少。在銀道內正確發現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）附近發現了小行星，而誤報也隨處可見。在大型未標記數據集中進行推斷，可為我們提供有關訓練集內偏差的重要線索，還可幫助我們確定 CNN 所使用的重要元數據。

我們發現，雖然圖像（科學圖像、參照圖像和差值圖像）內的信息足以讓我們在訓練集中獲得良好的分類結果，但是整合來自元數據的信息對獲得預測結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。銀道經度表示我們在銀道面內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絡界面，通過此界面，天文學家可瀏覽由我們的神經網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、天體的位置和元數據均會顯示在網頁上

通過使用神經網絡分類器和 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。這樣的發現速度可極大提高在爆炸早期找到的超新星數量。

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。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。

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。我們開發了一個神經網絡模型，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現稀有物體。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，我們很可能能夠發現新的天體類型。

我們認為這種分析大量天文數據的新方法不僅有用，而且很有必要。為科學界提供數據的管理、分類和再分發是利用天文數據進行科學研究的重要一環。這項任務需要整合來自不同領域的專業知識，例如計算機科學、天文學、工程學和數學。隨著新型現代望遠鏡的建成（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這一點。如需了解詳細信息，請訪問我們的網站，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