Gennem sin forskning på Caltech afslørede en lokal gymnasiestudent 1,5 millioner tidligere ukendte genstande i rummet, udvidede potentialet for en NASA-mission og offentliggjorde en enkeltforfatterpapir.
Matteo (Matthew) Paz’s artikel offentliggjort i The Astronomical Journal Beskriver en ny AI -algoritme, han udviklede, der førte til disse opdagelser, og som kan tilpasses af andre astronomer og astrofysikere til deres egen forskning.
Paz har ønsket at lære mere om astronomi, siden hans mor bragte ham til offentlige stargazing -foredrag på Caltech, da han var i skoleskolen. I sommeren 2022 kom han til campus for at studere astronomi og beslægtet datalogi i Caltech Planet Finder Academy ledet af professor i astronomi Andrew Howard.
Astronom og IPAC -seniorforsker Davy Kirkpatrick tjente som Pazs mentor.
”Jeg er så heldig at have mødt Davy,” siger Paz. “Jeg kan huske den første dag, jeg talte med ham, jeg sagde, at jeg overvejede at arbejde på et papir for at komme ud af dette, hvilket er et meget større mål end seks uger. Han afskrækkede mig ikke. Han sagde: ‘OK, så lad os tale om det.’ Han har tilladt en uhæmmet læringsoplevelse.
Kirkpatrick voksede op i et landbrugssamfund i Tennessee og indså sin drøm om at blive astronom ved hjælp af hans niende klasse kemi og fysiklærer, Marilyn Morrison. Hun fortalte ham og hans mor, at han havde potentiale og forklarede, hvilke kurser han skulle tage for at forberede sig til college.
“Jeg ville videregive den samme slags mentoring til en anden og forhåbentlig mange en andres,” siger Kirkpatrick. “Hvis jeg ser deres potentiale, vil jeg sørge for, at de når det. Jeg vil gøre hvad jeg kan for at hjælpe dem.”
Kirkpatrick ønskede også at hente mere indsigt fra Neowise (Near-Earth Object Wide-Field Infrared Survey Explorer), et nu pensioneret infrarødt teleskop, der havde scannet hele himlen på jagt efter asteroider og andre genstande i nærheden af Jorden i mere end 10 år.
Mens NASA -teleskopet var travlt med at observere asteroider, opdagede det også den varierende varme fra andre mere fjerne, kosmiske genstande, der blinkede intenst, pulserede eller dæmpede, da de blev formørket. Astronomer kalder disse variable objekter: vanskelige at fange fænomener som kvasarer, eksplodere stjerner og parrede stjerner, der formørker hinanden.
Men dataene om disse variable objekter var endnu ikke blevet udnyttet. Hvis Neowise -teamet kunne identificere disse objekter og stille dem til rådighed for det astronomiske samfund, kunne det resulterende katalog give indsigt i, hvordan de kosmiske enheder ændrer sig gennem år.
“På det tidspunkt krybede vi op mod 200 milliarder rækker i tabellen over hver enkelt detektion, som vi havde foretaget i løbet af over et årti,” siger Kirkpatrick. “Så min idé til sommeren var at tage et lille stykke af himlen og se, om vi kunne finde nogle variable stjerner. Så kunne vi fremhæve dem for det astronomiske samfund og sige: ‘Her er nogle nye ting, vi opdagede med hånden; forestil dig, hvad potentialet er i datasættet.'”
Paz havde ikke til hensigt at sile gennem dataene manuelt. Hans skolearbejde havde forberedt ham på at bringe et nyt synspunkt til udfordringen. Han havde interesseret sig i AI under en valgfri, der integrerede kodning, teoretisk datalogi og formel matematik.
Paz vidste, at AI træner bedst på store, ordnede datasæt som den, Kirkpatrick havde givet ham. Og Paz havde den avancerede matematiske viden om, at han havde brug for at nyde programmering: Han studerede allerede avanceret bachelor -matematik i Pasadena Unified School District’s Math Academy, hvor studerende afslutter AP Calculus BC i ottende klasse.
Så PAZ satte af sted for at udvikle en maskinlæringsteknik til at analysere hele datasættet og flag potentielle variable objekter. I de seks uger begyndte han at udkast til AI -modellen, der begyndte at vise noget løfte. Da han arbejdede, konsulterede han Kirkpatrick for at lære den relevante astronomi og astrofysik.
“Hvert møde med Davy er 10% arbejde og 90% os bare chatter,” siger Paz. “Det har været super cool bare at have nogen at tale med om sådan videnskab.”
Kirkpatrick forbandt også Paz med Caltech-astronomer Shoubaneh Hemmati, Daniel Masters, Ashish Mahabal og Matthew Graham, der delte deres ekspertise inden for maskinlæringsteknikker til astronomi og i studiet af genstande, der varierer på korte og lange tidsskal. Paz og Kirkpatrick fandt, at den særlige rytme af Neowises observationer betød, at det ikke ville være i stand til systematisk at opdage og klassificere mange objekter, der enten blinkede en gang hurtigt eller ændrede sig gradvist over lang tid.
Som sommeren afsluttede, var der stadig masser at gøre. I 2024 samarbejdede Paz og Kirkpatrick igen, og denne gang mentorerede Paz andre gymnasiestuderende.
Nu har Paz raffineret AI -modellen til at behandle alle de rå data fra Neowises observationer og har analyseret resultaterne. Uddannet til at detektere minutforskelle i teleskopets infrarøde målinger markerede algoritmerne og klassificerede 1,5 millioner potentielle nye objekter i dataene. I 2025 planlægger Paz og Kirkpatrick at offentliggøre det komplette katalog over objekter, der varierede betydeligt i lysstyrke i Neowise -dataene.
“Modellen, jeg implementerede, kan bruges til andre tidsdomænestudier i astronomi og potentielt alt andet, der kommer i et tidsmæssigt format,” siger Paz. “Jeg kunne se en vis relevans for (aktiemarked) kortanalyse, hvor oplysningerne på lignende måde kommer i en tidsserie og periodiske komponenter kan være kritiske. Du kan også studere atmosfæriske effekter såsom forurening, hvor de periodiske sæsoner og dag-nat-cykler spiller enorme roller.”
Mens han er færdig med gymnasiet, er Paz en Caltech -medarbejder. Han arbejder for Kirkpatrick i IPAC, der administrerer, processer, arkiver og analyserer data fra Neowise og flere andre NASA- og NSF -understøttede rummissioner. Det er Pazs første betalende job.