[論文レビュー] Evolutionary Deep Learning to Identify Galaxies in the Zone of Avoidance

David Jones, Anja Schroeder+1 more|arXiv (Cornell University)|Mar 6, 2019

Spectroscopy and Chemometric Analyses参考文献 38被引用数 3

ひとこと要約

本研究では、ゾーン・オブ・アバジョン（ZoA）における高消光および星の密度の高さにより、銀河が遮蔽される環境において、進化的な深層学習手法を用いて最適な畳み込みニューラルネットワーク（CNN）トポロジーを自動で進化させる手法を提案する。本手法は、すべてのJ、H、Kバンドを用いた32×32の近赤外画像で91.75％の精度を達成し、未学習データにおいて3,907個の潜在的銀河を同定した。これは、困難な天文学的環境において、手動によるチューニングに比べて自動トポロジー進化の有効性を示している。

ABSTRACT

The Zone of Avoidance makes it difficult for astronomers to catalogue galaxies at low latitudes to our galactic plane due to high star densities and extinction. However, having a complete sky map of galaxies is important in a number of fields of research in astronomy. There are many unclassified sources of light in the Zone of Avoidance and it is therefore important that there exists an accurate automated system to identify and classify galaxies in this region. This study aims to evaluate the efficiency and accuracy of using an evolutionary algorithm to evolve the topology and configuration of Convolutional Neural Network (CNNs) to automatically identify galaxies in the Zone of Avoidance. A supervised learning method is used with data containing near-infrared images. Input image resolution and number of near-infrared passbands needed by the evolutionary algorithm is also analyzed while the accuracy of the best evolved CNN is compared to other CNN variants.

研究の動機と目的

• 高密度の星間物質と消光による遮蔽が生じるゾーン・オブ・アバジョン（ZoA）において、銀河の同定を困難にする課題に対処すること。
• 手作業による長時間の点検に依存しない、ZoAにおける銀河分類を自動化するシステムの開発。
• 進化的なアルゴリズムが、ノイズが多く複雑なZoA環境において、CNNのトポロジーとハイパーパrameterを最適化できるかどうかを評価すること。
• 入力解像度およびマルチバンド近赤外（J、H、K）データが分類精度に与える影響を評価すること。
• 天文学者にスケーラブルで自動化されたツールを提供し、局所宇宙における銀河カタログ作成と宇宙論的研究を支援すること。

提案手法

• 進化的アルゴリズム（EA）を用いて、畳み込みニューラルネットワーク（CNN）のアーキテクチャとハイパーパrameter（フィルタ数、カーネルサイズ、レイヤー構成など）を進化させる。
• ZoAからのラベル付き近赤外FITS画像を用いた教師あり学習を実施。銀河および非銀河源は事前にラベル付け済み。
• EAの複数世代にわたるCNNの訓練と評価を行い、検証セットにおける正答率を適応度関数として用いる。
• 最良に進化したCNNを、Galyxi Fynder推論モジュールを用いて未学習のFITSデータに適用し、潜在的銀河を同定する。
• 入力解像度（例：32×32）やバンド数（J、H、K）の違いによる性能比較を行い、入力データの影響を評価する。
• 計算およびデータ制限のため、全結合層における活性化関数の進化を1つの関数に制限する設計制約を設ける。

実験結果

リサーチクエスチョン

• RQ1 ノイズが多く複雑なZoA環境において、進化的なアルゴリズムがCNNトポロジーの最適化を効果的に行えるか。
• RQ2 単一バンド入力と比較して、マルチバンド近赤外（J、H、K）データを用いることで分類精度が向上するか。
• RQ3 特に32×32のような小さなサイズの入力解像度に対して、進化したCNNの性能はどれほど感度を示すか。
• RQ4 ZoA環境において、進化的なアプローチが手動でチューニングされたCNN設定に比べて、正答率および一般化性能でどれほど優れているか。
• RQ5 進化したCNNが未学習データに一般化する可能性はどの程度で、実際の天文学的スカイサーベイにおいて新しい候補銀河を同定できるか。

主な発見

• 進化したCNNは、32×32の近赤外画像のみを用いてもZoAにおける銀河同定で91.75％の精度を達成し、低解像度にもかかわらず強力な一般化能力を示した。
• すべての3つの近赤外バンド（J、H、K）を用いることで性能がわずかに向上し、マルチバンドデータが検出能力を向上させるという仮説を裏付けた。
• 予想に反し、非常に低い入力解像度（32×32）でも高い正答率が達成された。これは、このタスクにおいて小サイズ画像での学習が効率的かつ効果的であることを示唆している。
• 進化的アルゴリズムは15世代未満で収束し、処理時間も短く、天文学的ワークフローにおいて計算的にも実用的であることが示された。
• 未学習のFITS画像（20,690個のカタログ化済み光源を含む）に対して、本システムは3,907個の潜在的銀河を正常に同定した。これは、大規模スカイサーベイにおける実用性を強力に示している。
• ZoAにおける先行研究（Lahavら（80–96％）、Drinkwaterら）を上回る性能を示し、非ZoA研究（例：Khalifaらによる97％の正答率）に近いまたはそれを上回る結果を達成した。これは、ZoAの極めて厳しい観測的課題にもかかわらず、本手法の有効性を裏付けている。