[論文レビュー] Identifying microlensing events using neural networks

P. Mróz|CaltechAUTHORS (California Institute of Technology)|Aug 27, 2020

Stellar, planetary, and galactic studies参考文献 3被引用数 10

ひとこと要約

本論文は、全結合ニューラルネットワークおよび畳み込みニューラルネットワーク（CNN）に基づく2つのディープラーニング分類器を提案し、光度光曲線において単一レンズおよび二重レンズの微小強調現象を自動で検出することを目的としている。OGLE-IIIおよびOGLE-IVのデータで訓練されたモデルは、単一レンズ現象に対して約98％のリCALLを達成し、二重レンズ現象に対しては80–85％を示し、ZTFデータにおいても頑健な性能を発揮し、ローマ宇宙望遠鏡のような将来的な宇宙望遠鏡向けの調査において大きな可能性を示している。

ABSTRACT

Current gravitational microlensing surveys are observing hundreds of millions of stars in the Galactic bulge - which makes finding rare microlensing events a challenging tasks. In almost all previous works, microlensing events have been detected either by applying very strict selection cuts or manually inspecting tens of thousands of light curves. However, the number of microlensing events expected in the future space-based microlensing experiments forces us to consider fully-automated approaches. They are especially important for selecting binary-lens events that often exhibit complex light curve morphologies and are otherwise difficult to find. There are no dedicated selection algorithms for binary-lens events in the literature, which hampers their statistical studies. Here, we present two simple neural-network-based classifiers for detecting single and binary microlensing events. We demonstrate their robustness using OGLE-III and OGLE-IV data sets and show they perform well on microlensing events detected in data from the Zwicky Transient Facility (ZTF). Classifiers are able to correctly recognize ~98% of single-lens events and 80-85% of binary-lens events.

研究の動機と目的

• 大規模な光度調査において希少な微小強調現象を同定する課題に対処する。手動での点検は現実的ではない。
• 従来の選別カットでは困難な、単一レンズおよび複雑な二重レンズ微小強調現象を検出するための自動的でスケーラブルな分類器を開発する。
• 地上望遠鏡（OGLE、ZTF）および将来的な宇宙望遠鏡（ローマ）のデータを含め、異なる調査の周期性やノイズ特性に一般化可能な、頑健で移植可能な機械学習フレームワークを構築する。
• 統計的分析のための偏りのない、高完全性の微小強調現象のサンプルを提供する。特に、専用の検出アルゴリズムが存在しない二重レンズ系に特に有効である。
• ディープラーニングが従来の手法を上回るか同等の性能を発揮し、人為的バイアスと人的労力の削減を実現できることを示す。

提案手法

• 単一レンズ微小強調現象を分類するために、15個の手作業で作成された光曲線特徴量（例：ピークマグニチュード、持続時間、自由度あたりのχ²）を用いた全結合ニューラルネットワークを訓練した。
• 2次元の光曲線表現（時間経過に伴う位相合わせた光曲線を積み重ねたもの）を用いて、畳み込みニューラルネットワーク（CNN）を適用し、単一レンズおよび二重レンズ現象の両方を検出する。
• 2次元光曲線表現は時間的構造を保持しており、ギャップや変動する観測周期に対しても頑健であるが、ローマ宇宙望遠鏡が想定する均一な観測周期下で最適化されている。
• モデルは、本物の微小強調現象と非微小強調アーティファクトを含む実際のOGLE-IIIおよびOGLE-IVの光曲線で訓練され、一般化性能を高め、合成データへの過剰適合を回避する。
• バランスの取れたデータセット（本物の微小強調現象と非微小強調光曲線）を用いて訓練することで、高いリCALLとノイズおよび観測系の系のずれに対する頑健性を確保した。
• 検出効率と純度を評価するために、OGLE-IVおよびZTFの独立したテストセットを用い、リCALL、精度、F1スコアといった指標で性能を評価した。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニング分類器は、従来の選別カットに比べ、完全性を高めつつも十分な純度を維持できるか？
• RQ2 一様な性能で、単一レンズおよび二重レンズ微小強調現象を検出できる1つのニューラルネットワークモデルは可能か？ 二重レンズ現象の形状的複雑性を考慮しても。
• RQ3 異なる周期性、ノイズ、データ品質（例：OGLE 対 ZTF）を持つさまざまな光度調査に、これらの分類器はどの程度一般化できるか？
• RQ4 光曲線の2次元CNN表現は、ギャップや非均一サンプリングの影響を受けても、微小強調の兆候を効果的に捉えることができるか？
• RQ5 これらのモデルは、希少な微小強調現象、特に二重レンズ系において、人間の点検や古典的統計フィルターよりも優れた性能を示せるか？

主な発見

• 全結合ニューラルネットワーク分類器は、独立したテストセットにおいて単一レンズ微小強調現象に対して97.5–98.0％のリCALLを達成し、完全性において従来手法を上回った。
• 二重レンズ分類器はテストセットで80–85％のリCALLを達成し、複雑な光曲線形態の自動検出の可能性を示した。
• CNNベースの分類器は、同じテストセットで単一レンズ現象に対して96.7％、二重レンズ現象に対して84.1％のリCALLを達成し、データセット間での一般化性能が優れていた。
• モデルはZTFデータに対しても良好に一般化し、OGLEデータとは異なる周期性とノイズ構造に対しても微小強調現象を正しく同定できた。
• アーティファクトを含む実データで訓練したモデルは、合成光曲線で訓練したモデルよりも優れた性能を維持した。これはノイズ特性が正確に保持されているためである。
• 本研究は、特に従来手法が失敗する二重レンズ系において、ディープラーニングが人間の専門家と同等またはそれ以上の性能を発揮できることを示した。