[論文レビュー] Identifications of RR Lyrae stars and Quasars from the simulated data of Mephisto-W Survey

Lei Lei, Bingqiu Chen+4 more|arXiv (Cornell University)|Nov 16, 2021

Stellar, planetary, and galactic studies参考文献 34被引用数 8

ひとこと要約

本研究では、Mephisto-W調査のシミュレーテッド多バンド（uvgriz）光曲線からRR型ライラ星およびクェเซイを特定するためのランダムフォレスト分類器（RFC）フレームワークを提案する。SDSSストライプ82の光曲線とシミュレーテッド観測スケジューリングを用い、RR型ライラ星に対して95.4％の純度と96.9％の再現率を達成し、クェーサーに対しては91.4％の純度と90.2％の再現率を示し、最小限のデータ要件で高い精度を実現した。

ABSTRACT

We have investigated the feasibilities and accuracies of the identifications of RR Lyrae stars and quasars from the simulated data of the Multi-channel Photometric Survey Telescope (Mephisto) W Survey. Based on the variable sources light curve libraries from the Sloan Digital Sky Survey (SDSS) Stripe 82 data and the observation history simulation from the Mephisto-W Survey Scheduler, we have simulated the $uvgriz$ multi-band light curves of RR Lyrae stars, quasars and other variable sources for the first year observation of Mephisto-W Survey. We have applied the ensemble machine learning algorithm Random Forest Classifier (RFC) to identify RR Lyrae stars and quasars, respectively. We build training and test samples and extract ~ 150 features from the simulated light curves and train two RFCs respectively for the RR Lyrae star and quasar classification. We find that, our RFCs are able to select the RR Lyrae stars and quasars with remarkably high precision and completeness, with $purity$ = 95.4 per cent and $completeness$ = 96.9 per cent for the RR Lyrae RFC and $purity$ = 91.4 per cent and $completeness$ = 90.2 per cent for the quasar RFC. We have also derived relative importances of the extracted features utilized to classify RR Lyrae stars and quasars.

研究の動機と目的

• Mephisto-W調査の初年度データにおいて、RR型ライラ星およびクェーサーを同定するための実現可能性と正確性を評価すること。
• 疎な多バンド光度測光光曲線からの変光星およびクェーサーの分類に耐性のある機械学習パイプラインを開発すること。
• 限られた観測回数で、時間領域調査において効率的かつ大規模な源同定を可能にすること。
• Mephisto-W調査の主な科学的目標、特に銀河考古学および宇宙論的研究を支援すること。

提案手法

• SDSSストライプ82の光曲線とMephisto-W調査スケジューラーのスケジューリングモデルを用いて、RR型ライラ星、クェーサー、その他の変光星のシミュレーテッドuvgriz多バンド光曲線を生成した。
• SMSS DR2との照合をもとに導出された線形キャリブレーション関係を用いて、SDSSのugrizマグニチュードをSkyMapperに類似したuvgrizマグニチュードに変換した。
• 既知の周期と位相に基づき、位相畳み込みと線形補間を適用して、RR型ライラ星の周期的光曲線をシミュレートした。
• 非周期的クェーサーの場合は、1年間の間に5つのランダムなSDSS観測を抽出し、それらを2022年の暦日付に再タイムスケールして、現実的な観測時刻を再現した。
• 観測条件に基づいて実際のガウスノイズを組み込み、『観測済み』の光曲線を生成した。
• 483個のRR型ライラ星と9,107個のクェーサーを正例として、150個以上の特徴量を抽出し、同等のサイズの負例を用いて、分離されたランダムフォレスト分類器（RFC）を訓練した。

実験結果

リサーチクエスチョン

• RQ1 機械学習は、Mephisto-W調査の疎な多バンド光曲線からRR型ライラ星を効果的に同定できるか？
• RQ2 シミュレーテッドMephisto-Wデータにおけるクェーサー分類のRFCの分類精度と再現率はどの程度か？
• RQ3 RR型ライラ星分類とクェーサー分類における特徴量の重要度順位にどのような差があるか？
• RQ4 訓練データにおけるラベルノイズに対して、RFC手法はどの程度耐性を示すか？
• RQ5 この手法は、限られた観測エポックを持つ大規模時間領域調査に効率的に適用可能か？

主な発見

• RR型ライラ星RFCは、純度95.4％、再現率96.9％を達成し、高精度かつ高効率な同定を示した。
• クェーサーRFCは、純度91.4％、再現率90.2％を達成し、クェーサー分類において優れた性能を示した。
• RFC手法はラベルノイズに対して高い耐性を示し、RR型ライラ星およびクェーサー分類器においてそれぞれ0.04％および0.4％の誤差増加にとどまった（5％のラベルノイズ条件下）。
• RR型ライラ星分類において最も重要な特徴量はg−rおよびmrcolorであったが、クェーサー同定においてはu−gおよびg−rが最も影響力が大きかった。
• 本手法は1年あたり1フィールドあたり4〜5回の観測で十分であり、限られた望遠鏡時間を持つ広域調査に効率的かつ適している。
• 本フレームワークは、ZTF、WFST、LSST、CSSTなどの他の時間領域調査にも応用可能であり、スケーラブルな源分類を可能にする。