[論文レビュー] Predicting resolved galaxy properties from photometric images using convolutional neural networks

Tobias Buck, Steffen Wolf|arXiv (Cornell University)|Nov 1, 2021

Data Visualization and Analytics被引用数 6

ひとこと要約

本論文では、多バンドの光度的画像から銀河の性質（星の質量、金属量、年齢、星形成率など）の2次元マップを予測する畳み込みニューラルネットワーク（CNN）フレームワーク、PICASSSOを提示する。モデルは星の性質を再構築する際、ピクセル単位の散らばりが20%未塔となり、従来の質量対光度比手法を上回り、通常のIFU観測をはるかに上回る高分解能での推論を可能にする。

ABSTRACT

Multi-band images of galaxies reveal a huge amount of information about their morphology and structure. However, inferring properties of the underlying stellar populations such as age, metallicity or kinematics from those images is notoriously difficult. Traditionally such information is best extracted from expensive spectroscopic observations. Here we present the $Painting\\, IntrinsiC\\, Attributes\\, onto\\, SDSS\\, Objects$ (PICASSSO) project and test the information content of photometric multi-band images of galaxies. We train a convolutional neural network on 27,558 galaxy image pairs to establish a connection between broad-band images and the underlying physical stellar and gaseous galaxy property maps. We test our machine learning (ML) algorithm with SDSS $ugriz$ mock images for which uncertainties and systematics are exactly known. We show that multi-band galaxy images contain enough information to reconstruct 2d maps of stellar mass, metallicity, age and gas mass, metallicity as well as star formation rate. We recover the true stellar properties on a pixel by pixel basis with only little scatter, $\\lesssim20\\%$ compared to $\\sim50\\%$ statistical uncertainty from traditional mass-to-light-ratio based methods. We further test for any systematics of our algorithm with image resolution, training sample size or wavelength coverage. We find that galaxy morphology alone constrains stellar properties to better than $\\sim20\\%$ thus highlighting the benefits of including morphology into the parameter estimation. The machine learning approach can predict maps of high resolution, only limited by the resolution of the input bands, thus achieving higher resolution than IFU observations. The network architecture and all code is publicly available on GitHub.

研究の動機と目的

• 多バンド光度的画像から銀河の星族およびガス性質の解像度の高い2次元マップを推定するための機械学習フレームワークの開発。
• 光度的画像のみが、高い精度で物理的銀河性質を再構築するのに十分な情報を含んでいるかどうかの評価。
• 画像解像度、バンド数、およびトレーニングサンプルサイズが予測精度に与える影響の評価。
• 銀河の形態と色情報が、それぞれ単独で提供する情報よりも、共同して性質再構築を向上させるかどうかの検証。
• 通常のIFU観測の解像度限界を超える高分解能での銀河性質推論の実現。

提案手法

• U-Netに類似した畳み込みニューラルネットワークを、Illustrisシミュレーションから得た27,558組の銀河画像ペアを用いてトレーニングし、u、g、r、i、zの5バンド光度的画像を入力とする。
• ネットワークは7つの物理的性質の2次元マップを予測する：星の質量、金属量、年齢、ガス質量、ガス金属量、HI質量、星形成率（SFR）。
• トレーニングは、予測値と真値の物理的性質マップのピクセル単位の差を最小化するマルチタスク損失関数を用いて実施する。
• 精度と散らばりの制御された評価が可能となるよう、既知の不確実性と系誤差を含むSDSSの模擬画像を用いてモデルを評価する。
• アブレーションスタディとして、入力解像度（16×16から256×256ピクセル）、バンド数（1から5）、トレーニングサンプルサイズ（1,500から17,637個の銀河）を変化させた。
• すべてのコードとトレーニング済みモデルは、再現可能性およびコミュニティ利用を目的としてGitHubに公開されている。

実験結果

リサーチクエスチョン

• RQ1 多バンド光度的画像のみで、高い精度で銀河の星族およびガス性質の高分解能2次元マップを再構築できるか？
• RQ2 複数のバンドによる色情報の追加が、形態情報のみに比べて、予測された物理的性質の精度にどのように影響するか？
• RQ3 本CNNフレームワークを用いた場合、画像解像度が銀河性質の再構築精度に与える影響は何か？
• RQ4 モデルの性能は、現在のIFU調査のサンプルサイズ範囲内において、トレーニングデータセットのサイズにどれほど敏感か？
• RQ5 特に中心部（R ≈ 0.5 R_half）や外縁部のような特定の銀河領域において、モデルが性質を系的に低予測または高予測しないか？

主な発見

• 星の質量および金属量のピクセル単位の散らばりは10%未塔に達し、統計的不確実性が約50%である従来の質量対光度比手法を著しく上回る。
• ガス性質（ガス質量、金属量）は約20%の散らばりで予測され、星の性質よりわずかに低い精度であることが示された。
• 星の年齢およびSFRは、集団全体で20–50%の散らばりで再構築され、解像度の高いマッピングにおいて中程度ではあるが受け入れ可能な精度である。
• 中心部（R ≈ 0.5 R_half）を除き、再構築精度に顕著な半径依存性は認められず、わずかに中心部で星の性質が低予測されている。
• バンド数を5から1に減らすと、星の性質の散らばりが40–60%増加し、ガス性質では20%増加する。色情報の重要性が示された。
• 画像解像度を256×256から16×16ピクセルに低下させると、星の性質の散らばりは最大3–4倍、ガス質量では最大7倍に増加し、形状的詳細の重要性が強調された。