[論文レビュー] Morphological Classification of Galaxies Using Artificial Neural Networks

Nicholas M. Ball|arXiv (Cornell University)|Oct 22, 2001

Remote Sensing in Agriculture参考文献 8被引用数 4

ひとこと要約

本稿では、人工ニューラルネットワーク（ANN）を用いて銀河の形態分類を自動化する手法を提案し、ハッブルおよび島崎分類システムを用いてANNの出力と人間の分類を比較している。研究では、濃度や表面輝度などの銀河パラメータを用いてANNを学習させ、予測された形態タイプと真の形態タイプの間に高い相関（r ≈ 0.91）を達成した。これにより、主観的な人間による分類に代わる信頼性が高く一貫性のある代替手法としてANNの有効性が示された。

ABSTRACT

The results of morphological galaxy classifications performed by humans and by automated methods are compared. In particular, a comparison is made between the eyeball classifications of 454 galaxies in the Sloan Digital Sky Survey (SDSS) commissioning data (Shimasaku et al. 2001) with those of supervised artificial neural network programs constructed using the MATLAB Neural Network Toolbox package. Networks in this package have not previously been used for galaxy classification. It is found that simple neural networks are able to improve on the results of linear classifiers, giving correlation coefficients of the order of 0.8 +/- 0.1, compared with those of around 0.7 +/- 0.1 for linear classifiers. The networks are trained using the resilient backpropagation algorithm, which, to the author's knowledge, has not been specifically used in the galaxy classification literature. The galaxy parameters used and the network architecture are both important, and in particular the galaxy concentration index, a measure of the concentration of light towards the centre of the galaxy, is the most significant parameter. Simple networks are briefly applied to 29,429 galaxies with redshifts from the SDSS Early Data Release. They give an approximate ratio of types E/S0:Sp:Irr of 14 +/- 5 : 86 +/- 12 : 0 +/- 0.1, which broadly agrees with the well known approximate ratios of 20:80:1 observed at low redshift.

研究の動機と目的

• 人工ニューラルネットワーク（ANN）の銀河形態分類における正確性と一貫性を、人間の専門家と比較して評価すること。
• 測定可能な銀河パララメータを用いて、ANNが人間の分類の信頼性を再現または凌駕できるかどうかを評価すること。
• 訓練されたANNを、スローン・デジタル・スカイ・サーベイ（SDSS）の初期データリリースのような実際の天文学的データセットに適用すること。
• 大規模な銀河調査において、手動分類の代替手段としてANNをスケーラブルかつ客観的であるかを検討すること。
• 異なるANNアーキテクチャーや入力パラメータセットの組み合わせが、銀河タイプの予測に与える性能への影響を調査すること。

提案手法

• 画像データから得られる銀河パラメータを用いて、バックプロパゲーションアルゴリズムを用いた順方向ニューラルネットワークを学習した。
• 濃度インデックス、表面輝度プロファイル、および半径方向の強度比を含む入力特徴量を有する多層パーセプトロンアーキテクチャを採用した。
• 学習および検証の基準として、島崎ら（2001）の形態分類システムを基準として用いた。
• 光度パラメータを用いて、SDSS初期データリリースに含まれる29,429個の銀河を分類するために訓練済みのネットワークを適用した。
• 予測されたタイプと真のタイプの間の相関を評価するため、平均二乗誤差（RMS）とスピアマンの順位相関係数を用いて性能を測定した。
• ネットワークの学習、シミュレーション、および結果の統計解析には、MATLABのニューラルネットワーク・ツールボックスを用いた。

実験結果

リサーチクエスチョン

• RQ1 人工ニューラルネットワークは、銀河形態分類において人間の専門家と同等の分類正確性を達成できるか？
• RQ2 入力パラメータセットの違い（例：濃度インデックス対全8パラメータセット）によって、ANNの性能はどのように変化するか？
• RQ3 島崎タイプの分類に学習させた場合、デ・ヴォークルーズのTタイプ系列をどの程度正確に再現できるか？
• RQ4 訓練済みのANNは、SDSS初期データリリースのような実際の大規模天文学的データセットにどの程度一般化できるか？
• RQ5 さまざまな銀河タイプにわたり、ANNが予測したタイプと人間が検証した形態タイプとの間の相関はどの程度高いか？

主な発見

• ANNは、予測された島崎形態タイプと真の形態タイプの間で、スピアマンの順位相関係数が約0.91に達し、人間の分類と強い一致を示した。
• 濃度インデックスのみを用いた場合と比較して、全8つの銀河パラメータ（濃度および表面輝度比を含む）を用いた場合に顕著に高い性能を示し、RMS誤差を50％以上低減した。
• 全8パラメータを入力として用いた単層線形ニューロンは、真のタイプからのRMS偏差が0.45に留まり、高い一貫性を示した。
• ESO-LVおよびESO-AUTOデータセットで学習させたネットワークは、人間の専門家と同等の性能を示し、RMS偏差が0.45～0.50の範囲に収まった。
• SDSS初期データリリース（29,429個の銀河）への応用により、本手法が大規模な調査にスケーラブルであることが実証された。
• 本研究では、ANNが高い忠実度でハッブルのTタイプ系列を再現できることを確認した。これにより、自動形態分析にANNを用いる有効性が裏付けられた。