ИСТИНА

В этом проекте мы предлагаем создание модуля по поиску аномалий в астрономических данных, который будет интегрирован в брокер Fink, разрабатываемый французским астрономическим сообществом. Целью данного модуля будет поиск объектов с уникальными свойствами в режиме реального времени в потоке данных обзора Обсерватории имени Веры Рубин Legacy Survey of Space and Time. Выявление наиболее интересных с астрофизической точки зрения объектов поможет уменьшить затраты человеческих и инструментальных ресурсов, направленных на исследование алертов LSST. Создание такого модуля будет состоять из двух этапов: на первом этапе будет реализован и адаптирован под архитектуру брокера Fink алгоритм изолирующего леса, а на втором этапе будет реализован алгоритм активного поиска аномалий. Обратная связь с экспертом, реализованная в алгоритме активного поиска аномалий, позволяет улучшать модель на основе экспертной оценки и, как следствие, увеличивает эффективность поиска необычных астрономических объектов по сравнению с традиционными методами машинного обучения. Предложенный проект может существенно повлиять на научный вклад LSST в исследования и открытия транзиентов.

In this project, we join forces with the French community broker Fink in order to implement an anomaly detection pipeline based on adaptive machine learning techniques. This module will be tailored to work in the alert stream of the Vera Rubin Observatory Legacy Survey of Space and Time (LSST), which is predicted to include 10 million alerts/observing night. Our goal is to efficiently identify interesting astrophysical anomalies and thus optimize the use of resources necessary for further scrutinizing each candidate. We foresee its development in two phases, the first one uses a traditional isolation forest algorithm and the second implements its adaptive extension. This second stage includes a human in the loop approach, where feedback from an expert is given as new information to the machine learning model, thus allowing its continuous improvement. This pipeline has the potential to highly increase the scientific impact of LSST for the entire transient community.