Algoritmos de aprendizaje profundo para la clasificación morfológica de galaxias

Las galaxias exhiben una amplia variedad de morfologías que están fuertemente relacionadas con sus historias de formación estelar. Tener grandes muestras de galaxias morfológicamente clasificadas es fundamental para comprender su formación y evolución. Presentaré los resultados recientes de las clasificaciones morfológicas para los estudios de SDSS y DES obtenidos con los algoritmos de Aprendizaje Profundo (deep learning, DL) utilizando redes neuronales convolucionales (convolutional neural networks, CNN). Los algoritmos de DL supervisados son rápidos, precisos y eficientes, pero se basan en grandes conjuntos (~5000) de formación de galaxias pre-etiquetadas. Mostraré cómo la transferencia de aprendizaje (es decir, la capacidad de las CNN de exportar los conocimientos adquiridos de un mapeo existente a un nuevo conjunto de datos) ayuda a reducir en casi un orden de magnitud la muestra de entrenamiento necesaria para la clasificación morfológica. Otro punto importante es que las galaxias clasificadas visualmente suelen ser muy brillantes. Modelamos los objetos más débiles simulando cómo se verían los objetos más brillantes con clasificaciones bien determinadas si estuvieran en desplazamientos al rojo mayores. Las CNN alcanzan una precisión del 97 % hasta mr ~21,5, lo que sugiere que son capaces de recuperar características ocultas al ojo humano. Cuando es posible una comparación, nuestras clasificaciones se correlacionan muy bien con el índice Sérsico, la elipticidad y el tipo espectral, incluso para las galaxias más débiles. Proporcionamos clasificaciones para ~27 millones de galaxias, el mayor catálogo multibanda de morfologías automatizadas de galaxias hasta la fecha.

Detalles de la sesión Zoom
Contactad con: jtous@fqa.ub.edu