Die gegevens zijn een wetenschappelijke goudmijn, maar door de omvang konden onderzoekers er niet met de hand doorheen. Klassieke rekenmethodes waren simpelweg te traag.
Het probleem met zo’n enorm archief
In het NEOWISE-archief zitten veel variabele objecten: knipperende quasars, pulserende sterren en verduisterende binaire systemen. Het grote probleem is dat de observaties verspreid zijn over verschillende momenten, waardoor je die variaties lastig systematisch kunt analyseren.
Om dat aan te pakken stapte de 17-jarige Matteo Paz, een scholier uit Pasadena, het lab van Davy Kirkpatrick binnen via het Summer Research Connection-programma van Caltech. Paz had al indrukwekkende studies achter de rug (AP Calculus en universitaire wiskunde- en coderingsvakken) en raakte bekend met machine learning.
VARnet: zo werkt het
De doorbraak kwam met VARnet, een geavanceerd model dat Paz bouwde om het volledige NEOWISE-dataset te doorzoeken en variabele objecten te detecteren en te classificeren.
VARnet werkt in drie fasen: eerst een wavelet-decompositie om vals-positieve metingen te verminderen, daarna een aangepaste discrete Fourier-transformatie om periodieke kenmerken te halen, en tot slot een convolutioneel neuraal netwerk (CNN) dat bronnen indeelt in categorieën zoals niet-variabel, transiënte gebeurtenissen, intrinsiek pulserende sterren of eclipsende binaire systemen.
Publicatie en wat het opleverde
In november 2024 publiceerde Matteo Paz als enige auteur de volledige technische specificaties van zijn onderzoek in het Astronomical Journal. Zijn model presteerde zeer goed: een F1-score van 91% en een verwerkingssnelheid van minder dan 53 microseconden per bron.
De analyse wees 1,5 miljoen potentiële variabele objecten uit, wat duidt op nieuwe ontdekkingen: mogelijk quasars, variabele sterren of onbekende transiënte gebeurtenissen.
Paz won daarnaast de eerste prijs van de Regeneron Science Talent Search ter waarde van € 230.000,00. Zijn mentor, Davy Kirkpatrick, die opgroeide in een landbouwgemeenschap in Tennessee, was zichtbaar trots en hernieuwde zijn inzet om lokale jongeren te begeleiden. “De mate waarin we in staat zijn onze lokale gemeenschap van echt slimme jongeren aan te boren, mentor hen, en zorgen dat ze hun potentieel niet verliezen, des te beter zullen we het hebben,” aldus Kirkpatrick.
Waar je het nog meer voor kunt gebruiken
Volgens Paz is zijn model niet beperkt tot astronomie: het kan ook toegepast worden op andere tijdreeksen, bijvoorbeeld bij analyses van seizoens- en dag-nachtcycli in atmosferisch onderzoek. De catalogus van 2025 belooft bovendien een dataset te worden die groot genoeg is voor statistische studies van infraroodvariabiliteit over de hele hemel.
Het werk van Paz en zijn team opent nieuwe mogelijkheden voor onderzoek en verandert hoe machine learning binnen de wetenschap en in andere vakgebieden ingezet kan worden.
Deze ontdekkingen tonen niet alleen de waardevolle bijdragen van jonge getalenteerde mensen aan de wetenschap, maar ook de kracht van samenwerking en vernieuwing. De NEOWISE-data en de daaropvolgende analyses door jonge onderzoekers zoals Mateo Paz beloven nieuwe inzichten te geven in onze kosmos en daarbuiten.
