Часто задаваемые вопросы
Насколько редки события линзирования?
Очень редки! Если нам повезёт, мы ожидаем найти около 10 примеров во всем наборе данных SuperWASP и около сотни в TESS. Никаких убедительных примеров линзирования чёрной дырой в двойной системе никогда не было найдено. Если вы поможете найти один, вы войдете в историю науки!
Почему вы используете смоделированные кривые блеска?
События, которые мы ищем, настолько редки, что мы пока не наблюдали никаких реальных примеров. Мы используем смоделированные кривые блеска по двум причинам. Первая — дать вам примеры того, какими могут быть реальные события линзирования, чтобы вы не пропустили их, когда обнаружите. Вторая причина в том, что включение смоделированных кривых блеска позволяет нам выяснить, насколько слабые сигналы линзирования могут распознать волонтёры Zooniverse.
Как узнать, смоделирована ли кривая блеска?
У смоделированных субъектов есть специальные метаданные, которые обозначают параметры симуляции. Если вы просматриваете метаданные субъекта, нажав на "информация о субъекте", и видите эти записи, то субъект симулирован. Пожалуйста, помните , что даже если субъект симулирован, вы должны ответить "Да" только тогда, когда вы действительно видите сигнал линзирования в кривой блеска.
Можно ли найти события линзирования с помощью компьютера?
Кривые блеска могут быть очень шумными. Ещё не существует такого алгоритма, с помощью которого компьютер мог бы безошибочно классифицировать кривые блеска. Мы также можем пропустить реальные сигналы, если не предскажем должным образом, как они должны выглядеть.
Современные методы машинного обучения могли бы справиться с этой задачей. Однако, эти алгоритмы, как правило, фокусируются на очень тонких особенностях данных, а не на общих формах пиков, которые мы ищем. Чтобы использовать их, очень важно иметь обучающие данные, которые содержат сигналы, очень похожие на реальные сигналы. Моделирования, которые мы используем в этом проекте, недостаточно точны, чтобы использовать их в качестве обучающих данных. Они дают приблизительное представление о том, как выглядят нужные сигналы, но они достаточно отличаются от реальности, чтобы обученный с их помощью алгоритм машинного обучения мог пропустить много реальных сигналов.
Почему у людей есть преимущество?
Люди очень хорошо умеют видеть закономерности в данных, которые похожи, но не идентичны, примерам, которые им показали. Это дает большое преимущество в таких проектах, как этот, где у нас нет реальных примеров и нам нужны добровольцы, чтобы искать настоящие события линзирования, обучаясь на смоделированных примерах.