[論文レビュー] Predicting galaxy spectra from images with hybrid convolutional neural networks

John F. Wu, J. E. G. Peek|arXiv (Cornell University)|Sep 25, 2020

Spectroscopy and Chemometric Analyses参考文献 11被引用数 8

ひとこと要約

本論文では、初期層で畳み込みの逆演算（デコンボリューション）を、より深い層でバッチ正規化を用いるハイブリッド畳み込みニューラルネットワークを提案し、広帯域のPan-STARRS画像から直接銀河スペクトルを予測する。このモデルは、画像からSDSSスペクトルを再構築する際、最先端の性能を達成しており、銀河の形態がスペクトル的性質を強く符号化していること、および将来的なスペクトロスコピック調査における効率的な事前推定を可能にしていることを示している。

ABSTRACT

Galaxies can be described by features of their optical spectra such as oxygen emission lines, or morphological features such as spiral arms. Although spectroscopy provides a rich description of the physical processes that govern galaxy evolution, spectroscopic data are observationally expensive to obtain. For the first time, we are able to robustly predict galaxy spectra directly from broad-band imaging. We present a powerful new approach using a hybrid convolutional neural network with deconvolution instead of batch normalization; this hybrid CNN outperforms other models in our tests. The learned mapping between galaxy imaging and spectra will be transformative for future wide-field surveys, such as with the Vera C. Rubin Observatory and Nancy Grace Roman Space Telescope, by multiplying the scientific returns for spectroscopically-limited galaxy samples.

研究の動機と目的

• スペクトロスコピック追従観測に依存しない深層学習モデルを開発し、画像データから銀河スペクトルを予測すること。
• 広帯域画像における銀河の形態が、詳細な光学スペクトルを再構築するのに十分な情報を保持しているかどうかを調査すること。
• 天文学者の画像からスペクトルへのマッピングにおいて、デコンボリューションベースの正規化とバッチ正規化の性能を比較すること。
• 画像からスペクトルへの事前分布を学習することで、将来的なスレートロスコピック調査における科学的に興味深い銀河の効率的前選別を可能にすること。
• 公開可能なフレームワークを提供し、オープンかつアクセス可能な天文学研究を支援すること。

提案手法

• 変分オートエンコーダー（VAE）により、SDSS銀河スペクトルが6つの連続的潜在変数に低次元化され、滑らかな補間と再構築が可能になる。
• 入力として、五バンドのPan-STARRS $grizy$ 画像カットアウト（$224 \times 224$）が使用され、ダイヘドラ変換による拡張が施されている。
• ハイブリッドCNNアーキテクチャでは、特徴の相関性を低減し、スパース表現を実現するため、初期のスタム部分にデコンボリューション層を適用し、その後にバッチ正規化を用いた標準的な畳み込みブロックを配置する。
• モデルはVAEの6つの潜在変数を予測するように訓練され、その後にそれらが完全なスペクトルに復元される。
• 初期層でバッチ正規化の代わりにデコンボリューションを用いることで、最適化の改善と過学習の低減が図られ、特に浅いネットワークにおいて顕著である。
• モデルの性能は、検証スペクトルにおける平均二乗誤差（MSE）損失を用いて評価され、アブレーションスタディによりアーキテクチャの比較が行われた。

実験結果

リサーチクエスチョン

• RQ1 スペクトロスコピックデータなしで、広帯域画像のみから銀河スペクトルを正確に予測できるか？
• RQ2 初期層にデコンボリューションを用いたハイブリッドCNNは、標準的なバッチ正規化アーキテクチャに比べ、画像からスペクトルへの回帰において優れているか？
• RQ3 銀河の形態が、$grizy$ 画像にどれほど星族や星間媒体の性質に関する情報を符号化しているか？
• RQ4 デコンボリューションの使用が、天文学で一般的な低データ量の状況下で最適化と一般化をどのように改善するか？
• RQ5 学習された画像からスペクトルへのマッピングは、将来的なスレートロスコピック調査のターゲット選定のための信頼できる事前分布として機能できるか？

主な発見

• デコンボリューションをスタム部に、深層部にバッチ正規化を用いるxresnet18-hybridモデルは、50エポック後において最小の検証MSE損失（0.474）を達成した。
• ハイブリッドモデルは、標準的なバッチ正規化モデルやデコンボリューションのみのバージョンを上回り、後者は深刻な過学習を示した（50エポック時のMSE = 0.577）。
• 初期層におけるデコンボリューションは最適化と特徴の相関性低減を改善し、深層部におけるバッチ正規化は、堅牢な性能と一般化能力を維持する。
• モデルは、平均潜在ベクトルを予測するベースラインMSE（1.0）を、0.474にまで低下させ、画像からの強い予測能力を示している。
• 学習されたマッピングにより、潜在空間における滑らかな補間が可能であり、銀河の外観がスペクトル的特徴の強力な事前分布であることが示唆される。
• 本手法は、スペクトル事前分布の生成、ターゲットの事前選別、銀河スペクトルにおける形態的異常の同定の基盤を提供する。