[論文レビュー] Gaia Data Release 3: All-sky classification of 12.4 million variable sources into 25 classes

L. Rimoldini, B. Holl+32 more|arXiv (Cornell University)|Nov 30, 2022

Gamma-ray bursts and supernovae被引用数 4

ひとこと要約

本論文は、ガイヤー・データリリース3（Gaia DR3）の1,240万件の変光源を、G、G_BP、G_RPバンドの光度時間変化曲線を用いて、25種類の異なる変光クラスに機械学習ベースで分類する手法を提示している。eXtreme Gradient Boosting（XGBoost）とランダムフォレスト分類器を用い、周期的でない変光源を含む、脈動星、食連星、活動銀河核、超新星など、高精度に識別した。銀河は拡張源に起因する人工的変光のため別途フラグ付けされている。

ABSTRACT

Gaia DR3 contains 1.8 billion sources with G-band photometry, 1.5 billion of which with BP and RP photometry, complemented by positions on the sky, parallax, and proper motion. The median number of field-of-view transits in the three photometric bands is between 40 and 44 measurements per source and covers 34 months of data collection. We pursue a classification of Galactic and extra-galactic objects that are detected as variable by Gaia across the whole sky. Supervised machine learning (eXtreme Gradient Boosting and Random Forest) was employed to generate multi-class, binary, and meta-classifiers that classified variable objects with photometric time series in the G, BP, and RP bands. Classification results comprise 12.4 million sources (selected from a much larger set of potential variable objects) and include about 9 million variable stars classified into 22 variability types in the Milky Way and nearby galaxies such as the Magellanic Clouds and Andromeda, plus thousands of supernova explosions in distant galaxies, 1 million active galactic nuclei, and almost 2.5 million galaxies. The identification of galaxies was made possible by the artificial variability of extended objects as detected by Gaia, so they were published in the galaxy_candidates table of the Gaia DR3 archive, separate from the classifications of genuine variability (in the vari_classifier_result table). The latter contains 24 variability classes or class groups of periodic and non-periodic variables (pulsating, eclipsing, rotating, eruptive, cataclysmic, stochastic, and microlensing), with amplitudes from a few milli-magnitudes to several magnitudes.

研究の動機と目的

• 18億個のガイヤー源の全天的変光を、物理的タイプに分類すること。
• ミルキーウェイおよび近傍銀河にわたる変光星、活動銀河核、一時的天体を特定・分類すること。
• 多数の変光源を、多様な光曲線形態を示すものとして、教師あり機械学習を用いて分類する課題に取り組むこと。
• 銀河のような拡張物体における人工的変光から、真の変光源を区別すること。
• 天文コミュニティのための包括的かつ公開可能な分類カタログを提供すること。

提案手法

• ガイヤーDR3の光度曲線データを用いた、eXtreme Gradient Boosting（XGBoost）およびランダムフォレスト分類器を用いた教師あり機械学習。
• 既知の変光源タイプから得られたトレーニングデータを用い、G、G_BP、G_RPバンドの光度曲線から特徴量を抽出した。
• 25種類の変光クラス（脈動星、食連星、回転星、爆発的変光星、超新星的変光星、確率的変光星、重力レンズ効果による変光星など）を区別するためのマルチクラス、バイナリ、メタ分類器モデルを訓練した。
• 特徴量工学は、3つの光度計測バンドにおける振幅、周期、波形、色-等級関係の挙動に焦点を当てた。
• 銀河は人工的変光検出により別途処理され、『galaxy_candidates』テーブルに発表され、『vari_classifier_result』テーブルとは別個に扱われた。
• 既知のカタログとのクロス識別および分類信頼性の内部整合性チェックを用いた検証

実験結果

リサーチクエスチョン

• RQ1 ガイヤーDR3の光度計測データを用いた機械学習は、全天の変光源をどの程度正確に分類できるか？
• RQ2 ミルキーウェイおよび近傍銀河にわたる変光源タイプの分布はいかなるものか？
• RQ3 大規模な調査において、内部的変光と外部的変光のメカニズムを機械学習が区別できるか？
• RQ4 脈動星と爆発的変光星などの異なる変光クラスは、複数バンドにおける光度的特徴でどのように異なるか？
• RQ5 ガイヤーの光度計測データにおいて、銀河のような拡張物体を真の変光星から信頼性高く分離できるか？

主な発見

• 分類には1,240万件の変光源が含まれており、そのうち約900万件が22種類の異なる変光タイプに分類された変光星である。
• データはガイヤー観測の34か月分にわたる。各源について、3つの光度計測バンドで中央値40〜44回の通過を示した。
• 分類により100万件の活動銀河核と、約250万件の銀河が特定された。後者は拡張源に起因する人工的変光のためフラグ付けされた。
• 本手法は、ミリマグニチュードから数マグニチュードにわたる振幅を持つ周期的および非周期的変光源を、両方とも効果的に分類できた。
• XGBoostおよびランダムフォレストモデルの使用により、複数バンドにおける複雑な光曲線形態を高精度に区別できた。
• 結果はガイヤーDR3アーカイブに発表され、『vari_classifier_result』テーブルには24種類の異なる変光クラスまたはクラスグループが含まれている。