Algorismes d’aprenentatge profund per a la classificació morfològica de galàxies

Les galàxies exhibeixen una àmplia varietat de morfologies que estan fortament relacionades amb les seves històries de formació estel·lar. Tenir grans mostres de galàxies morfològicament classificades és fonamental per a comprendre la seva formació i evolució. Presentaré els resultats recents de les classificacions morfològiques per als estudis de SDSS i DES obtinguts amb els algorismes d'Aprenentatge Profund (deep learning, DL) utilitzant xarxes neuronals convolucionals (convolutional neural networks, CNN). Els algoritmes de DL supervisats són ràpids, precisos i eficients, però es basen en grans conjunts (~ 5000) de formació de galàxies pre-etiquetades. Mostraré com la transferència d'aprenentatge (és a dir, la capacitat de les CNN d'exportar els coneixements adquirits d'un mapatge existent a un nou conjunt de dades) ajuda a reduir en gairebé un ordre de magnitud la mostra d'entrenament necessària per a la classificació morfològica. Un altre punt important és que les galàxies classificades visualment solen ser molt brillants. Modelem els objectes més febles simulant com es veurien els objectes més brillants amb classificacions ben determinades si estiguessin en desplaçaments al vermell grans. Les CNN aconsegueixen una precisió del 97 % fins a mr ~21,5, el que suggereix que són capaços de recuperar característiques ocultes a l'ull humà. Quan és possible una comparació, les nostres classificacions es correlacionen molt bé amb l'índex Sérsico, la elipticitat i el tipus espectral, fins i tot per les galàxies més febles. Proporcionem classificacions per ~27 milions de galàxies, el major catàleg multibanda de morfologies automatitzades de galàxies fins a la data.

Detalls de la sessió Zoom
Poseu-vos en contacte amb: jtous@fqa.ub.edu