Burgerwetenschappers helpen bij het ontdekken van meer dan 1.000 nieuwe asteroïden

werkgelegenheid Wereld Asteroïde Dag 2019, heeft een groep onderzoeksinstellingen een programma gelanceerd dat een diepgaande invloed zou kunnen hebben op onze kennis van kleine lichamen. Met behulp van burgerwetenschap om een ​​algoritme voor machine learning te trainen, Hubble Asteroïde Jager Het project identificeerde meer dan 1.000 nieuwe asteroïden; De ontdekkingen zouden wetenschappers kunnen helpen de ring van hemellichamen die voornamelijk tussen Mars en Jupiter zweeft, beter te begrijpen.

Asteroid Hunter is een samenwerkingsverband tussen verschillende groepen, waaronder het European Centre for Science and Technology, het European Aerospace Centre Science Data Center, het burgerwetenschapsplatform Zooniverse en Google.

In 2019 deden onderzoekers een oproep aan burgerwetenschappers om samen te werken aan crowdsourcing-inspanningen. Via het Zooniverse-platform hebben 11.400 personen van over de hele wereld asteroïdesporen in kaart gebracht in 37.000 composietafbeeldingen die tussen 2002 en 2021 door de Hubble-ruimtetelescoop zijn gemaakt.

“Hubble is een geweldige missie en het heeft in de loop der jaren een zeer rijke database voor astronomische waarnemingen opgeleverd waarop we zouden moeten voortbouwen”, vertelde Sandor Kroc, een postdoctoraal onderzoeker aan het Max Planck Instituut voor Buitenaardse Fysica, aan Ars. Let op deze lange gegevensperiode [that is] Het begint beschikbaar te komen.” Kruk is betrokken bij Asteroid Hunter.

Zoeken in de lucht

De resultaten van het wetenschappelijke werk van de burger werden gebruikt om een ​​machine learning-algoritme te trainen, AutoM genaamd, dat door Google is gemaakt. Bij voldoende gegevens kan het algoritme nu worden gebruikt om afbeeldingen snel te classificeren.

Volgens Kroc zit er veel variatie in de door Hubble vastgelegde asteroïdensporen. Wanneer u een opname met lange belichtingstijd van een asteroïde vanaf de aarde maakt, is het resulterende pad in de afbeelding meestal een lijn. Maar de gecombineerde beweging van asteroïden met de beweging van Hubble produceert gebogen banen. Ze zijn moeilijk te categoriseren met behulp van machine learning, omdat ze in een grote verscheidenheid aan vormen voorkomen.

“Daarom had ik een monster nodig dat mensen hebben ontdekt,” zei Crooke. “Wat kostte ons een jaar om te classificeren met burgerwetenschappers – het duurde slechts ongeveer 10 uur met [algorithm]. Maar je hebt wel een trainingsset nodig.”

Wanneer werelden samenvallen

De gecombineerde inspanning van mens en machine resulteerde in een dataset met 1.701 paden in 1.316 Hubble-afbeeldingen. Deelnemers identificeerden ook andere objecten in de afbeeldingen, zoals sterrenstelsels en nevels. Ze hebben deze tracks vergeleken met die in het team Little Planet Center database, de grootste database van asteroïden, en ontdekte dat 670 van hen eerder waren geïdentificeerd.

Croc zei dat de originele items die de Asteroid Hunter had gevonden veel zwakker leken te zijn dan de eerder geïdentificeerde items, wat betekende dat ze nog kleiner van formaat waren. Hij wees erop dat dit werk kan worden gebruikt om een ​​beter idee te krijgen van de verdeling van asteroïde-afmetingen in de asteroïdengordel, en dat gegevens kunnen worden gebruikt om meer te begrijpen over hun evolutie en hoe asteroïden worden geproduceerd door fragmentatie en botsing binnen de riem.