[논문 리뷰] A classifier for spurious astrometric solutions in Gaia EDR3

J. Rybizki, Gregory Green외 7명|arXiv (Cornell University)|2021. 01. 27.

Stellar, planetary, and galactic studies참고 문헌 14인용 수 12

한 줄 요약

이 논문은 Gaia eDR3에서 임의의 천체 운동학적 해법을 99.3%의 순도와 97.3%의 완전성으로 식별하는 딥러닝 분류기를 소개한다. 기존의 품질 플래그보다 뛰어난 성능을 보이며, 17개의 Gaia 카탈로그 파라미터와 이웃 천체 정보를 기반으로 신경망을 훈련시켜 '천체 운동학적 신뢰도' 점수를 계산한다. 이는 다양한 천구 영역과 천체 유형에서 잘못된 천체 운동학적 해법을 걸러내는 데 있어 신뢰도를 크게 향상시킨다.

ABSTRACT

The Gaia early Data Release 3 has delivered exquisite astrometric data for 1.47 billion sources, which is revolutionizing many fields in astronomy. For a small fraction of these sources, the astrometric solutions are poor, and the reported values and uncertainties may not apply. Before any analysis, it is important to recognize and excise these spurious results - this is commonly done by means of quality flags in the Gaia catalog. Here, we devise a means of separating 'good' from 'bad' astrometric solutions that is an order of magnitude cleaner than any single flag: 99.3% pure and 97.3% complete, as validated on our test data. We devise an extensive sample of manifestly bad astrometric solutions, with parallax that is negative at > 4.5 sigma; and a corresponding sample of presumably good solutions, including sources in HEALPix pixels on the sky that do not contain such negative parallaxes, and sources that fall on the main sequence in a color-absolute magnitude diagram. We then train a neural network that uses 17 pertinent Gaia catalog entries and information about nearby sources to discriminate between these two samples, captured in a single 'astrometric fidelity' parameter. A diverse set of verification tests shows that our approach works very cleanly, including for sources with positive parallaxes. The main limitations of our approach are in the very low-SNR and the crowded regime. Our astrometric fidelities for all of eDR3 can be queried via the Virtual Observatory, our code and data are public.

연구 동기 및 목표

• Gaia eDR3에서 높은 전체 데이터 품질에도 불구하고 거리 및 운동 측정을 손상시키는 잘못된 천체 운동학적 해법 문제를 해결하기 위해.
• 전체 하늘과 등급 범위 전역에서 단일 품질 플래그 컷과 기존 모델을 뛰어넘는 신뢰할 수 없는 천체 운동학적 해법을 식별하는 방법을 개발하기 위해.
• 기존 방법이 실패하는 저신호 대비 잡음 비율 및 혼잡한 영역에서도 높은 성능을 유지하는 강건하고 일반화 가능한 분류기를 만들기 위해.

제안 방법

• 작성자들은 파라렐랙스가 -4.5σ 이하인 천체를 사용하여 명백히 잘못된 해법의 훈련 데이터 세트를 구성하고, 저밀도 천구 영역과 색-등급도에서 주계열 천체에서 얻은 '좋은' 해법 샘플을 대조로 사용한다.
• 두 단계로 구성된 신경망 분류기를 훈련시켰다: |SNR| > 4.5인 고신호 대비 잡음 비율 천체를 위한 모델과 저신호 대비 잡음 비율 천체를 위한 모델로, 입력으로 17개의 Gaia 카탈로그 파라미터와 근처 천체의 접근성 데이터를 사용한다.
• 모델은 각 천체당 하나의 '천체 운동학적 신뢰도' 점수를 출력하며, 이는 신뢰할 수 있는 천체 운동학적 해법일 확률을 나타낸다.
• 공간 분포 일관성, 색-등급도 위치, OGLE와의 운동 일관성, 군집 거리와의 파라렐랙스 일치도를 포함한 다양한 진단 수단을 통해 분류기를 검증한다.
• 방법은 은하수 평면의 OBA 별, LMC, 그리고 구형별개구리에 대해 테스트되었으며, '좋음'으로 분류된 천체에서만 물리적으로 타당한 분포를 보였다.
• 코드와 eDR3 전체 천체의 천체 운동학적 신뢰도 점수는 가상 관측소(VO)를 통해 공개되었으며, 재학습이 가능한 Python 노트북도 함께 제공된다.

실험 결과

연구 질문

• RQ1 기계 학습 모델이 Gaia eDR3에서 잘못된 천체 운동학적 해법을 식별할 때 단일 품질 플래그 컷보다 더 높은 순도와 완전성을 달성할 수 있는가?
• RQ2 신경망 분류기의 성능은 천체 운동학적 실패를 탐지할 때 로지스틱 회귀나 ExtraTrees와 같은 단순 모델보다 어떻게 비교되는가?
• RQ3 기존 방법이 붕괴하는 저신호 대비 잡음 비율 및 혼잡한 영역에서 분류기가 얼마나 높은 신뢰도를 유지할 수 있는가?
• RQ4 천체 운동학적 신뢰도 점수는 다양한 천구 영역과 별 집단에서 천체 운동학적 해법의 물리적 일관성을 향상시키는가?
• RQ5 이 분류기는 다른 데이터 리LEASE나 이중성 등 특수한 천체 유형에 맞게 조정하거나 일반화할 수 있는가?

주요 결과

• 분류기는 테스트 세트에서 99.3%의 순도와 97.3%의 완전성을 달성하여 단일 품질 플래그 컷과 다른 기준 모델보다 뚜렷이 뛰어난 성능을 보였다.
• 모델이 '좋음'으로 분류한 천체는 천구상에서 물리적으로 타당한 공간 분포와 색-등급도 위치를 보였고, '나쁨'으로 분류된 천체는 비물리적인 군집을 보였다.
• 은하수 평면의 OBA 별 중 고신뢰도 천체 운동학적 해법을 가진 천체의 공간 분포는 알려진 구조와 일치하지만, 저신뢰도 천체는 비물리적인 과잉 밀도를 보였다.
• LMC와 구형별개구리의 고신뢰도 천체의 파라렐랙스는 군집 거리 주변에서 정규 분포를 보이며, 저신뢰도 천체보다 산란도 작았다.
• 모델은 '나쁨' 천체 운동학적 해법을 가진 천체가 주로 은하수 볼지, 디스크, 그리고 마젤란 운성 등 고밀도 영역에 위치해 있음을 식별했다.
• 천체 운동학적 신뢰도 점수는 가상 관측소(VO)를 통해 공개되었으며, 커뮤니티가 접근 가능한 Python 노트북을 통해 훈련 파이프라인은 재현 가능하다.