[논문 리뷰] Deriving star cluster parameters with convolutional neural networks. II. Extinction and cluster/background classification

Jonas Bialopetravičius, D. Narbutis|arXiv (Cornell University)|2019. 11. 22.

Stellar, planetary, and galactic studies참고 문헌 31인용 수 7

한 줄 요약

이 논문은 M83의 다중 대역 허블 우주망원경 이미지에서 항성 은하단의 연령, 질량, 크기, 투명도(A_V), 가시성까지를 동시에 추정하는 컨볼루션 신경망(CNN)을 제시한다. 이 모델은 100 Myr 미만이거나 A_V ≤ 3 mag인 은하단에 대해 높은 정확도로 파rameter를 복원하며, 은하단 존재 여부를 분류하고 가시성을 정량화함으로써 모의 및 실제 은하단 데이터에서 뛰어난 성능을 보였다.

ABSTRACT

Context. Convolutional neural networks (CNNs) have been established as the go-to method for fast object detection and classification on natural images. This opens the door for astrophysical parameter inference on the exponentially increasing amount of sky survey data. Until now, star cluster analysis was based on integral or resolved stellar photometry, which limits the amount of information that can be extracted from individual pixels of cluster images. Aims. We aim to create a CNN capable of inferring star cluster evolutionary, structural, and environmental parameters from multi-band images, as well to demonstrate its capabilities in discriminating genuine clusters from galactic stellar backgrounds. Methods. A CNN based on the deep residual network (ResNet) architecture was created and trained to infer cluster ages, masses, sizes, and extinctions, with respect to the degeneracies between them. Mock clusters placed on M83 Hubble Space Telescope (HST) images utilizing three photometric passbands (F336W, F438W, and F814W) were used. The CNN is also capable of predicting the likelihood of a cluster's presence in an image, as well as quantifying its visibility (signal-to-noise). Results. The CNN was tested on mock images of artificial clusters and has demonstrated reliable inference results for clusters of ages $\lesssim$100 Myr, extinctions $A_V$ between 0 and 3 mag, masses between $3 imes10^3$ and $3 imes10^5$ ${ m M_\odot}$, and sizes between 0.04 and 0.4 arcsec at the distance of the M83 galaxy. Real M83 galaxy cluster parameter inference tests were performed with objects taken from previous studies and have demonstrated consistent results.

연구 동기 및 목표

• 다중 대역 이미징 데이터로부터 다수의 항성 은하단 파rameter를 동시에 추정할 수 있는 딥러닝 모델을 개발하는 것.
• 이미지 데이터에서 직접 파arameter 간 상관관계를 학습함으로써 연령-투명도 디게너러시를 해결하는 것.
• 은하단 존재 여부와 가시성(신호 대 잡음 비율의 대체 지표)을 예측함으로써 항성 은하단의 자동 탐지를 가능하게 하는 것.
• 모의 은하단과 M83의 실제 은하단 카탈로그에서 모델을 검증하는 것.
• 정확한 광도 캘리브레이션의 필요성을 평가하기 위해 재정규화된 광도를 사용하여 테스트하는 것.

제안 방법

• 대규모 모의 항성 은하단 데이터셋을 사용하여 실제 M83 HST 배경 이미지 위에 배치된 깊은 잔여망원망(ResNet) 아키텍처를 훈련시켰다.
• 훈련 데이터는 세 개의 광학적 필터(F336W, F438W, F814W)를 사용하였으며, 연령은 10^6.6에서 10^10.1년, 질량은 3×10^3에서 3×10^5 M⊙, 크기는 0.04에서 0.4 arcsec, 투명도는 0에서 3 mag까지 다양하였다.
• 네트워크는 다섯 가지 출력(연령, 질량, 크기, 투명도(A_V), 가시성(신호 대 잡음 비율의 대체 지표))을 예측하도록 훈련되었으며, 디게너러시를 포괄하기 위해 공동 회귀를 적용하였다.
• 훈련 중에 각 필터별로 광도를 재정규화하여 광도 캘리브레이션 오차에 대한 모델의 강인성을 테스트하였다.
• 최종 레이어의 활성화 맵을 사용하여 불확실성을 추정하였으며, 이중 또는 확장된 단일 분포 패턴은 파arameter의 모호함을 나타내었다.
• 무작위 배경 샘플링을 통해 은하단 존재 및 가시성 예측의 신뢰성을 검증하였다.

실험 결과

연구 질문

• RQ1 CNN은 다중 대역 이미지에서 높은 정확도로 항성 은하단의 연령, 질량, 크기, 투명도, 가시성을 동시에 추정할 수 있는가?
• RQ2 외부 사전 정보 없이, 모델은 연령-투명도 디게너러시를 얼마나 잘 해결하는가?
• RQ3 재정규화된 광도로 훈련된 경우에도 모델은 강인한가? 이는 정확한 광도 캘리브레이션의 필요성이 없음을 시사한다.
• RQ4 모델은 M83의 기존 카탈로그에서 실제 항성 은하단을 일관된 파arameter 추정과 함께 탐지할 수 있는가?
• RQ5 네트워크의 활성화 맵은 파arameter 불확실성에 대한 신뢰할 수 있는 대체 지표가 될 수 있는가?

주요 결과

• 모델은 100 Myr 이하의 은하단에 대해 높은 정확도로 파arameter를 추정하였으며, 추정된 연령은 진짜 값과 실제 은하단 카탈로그와 잘 일치하였다.
• 100 Myr 이상인 은하단의 경우, 특히 세 개의 광학 필터만을 사용할 경우 연령-투명도 디게너러시로 인해 연령 추정이 체계적으로 과대평가되었다.
• 투명도(A_V)는 양호한 정확도로 추정되었지만, 일부 경우에 약간 과대평가되었으며, 이미지에서 붉은 영역을 정확히 식별하여 높은 투명도 추정을 뒷받침하였다.
• 가시성 예측(신호 대 잡음 비율의 대체 지표)은 시각적 점검과 일치하였으며, 중간 밝기 은하단의 경우 약 15–25 수준이었고, 더 어두운 은하단의 경우 낮은 값이었다.
• 활성화 맵 분석 결과, 20%의 은하단에서 확장된 단일 분포 패턴이 관찰되었고, 1% 미만에서 이중 분포 패턴이 나타났으며, 이는 일반적으로 최고 활성화 값을 선택하는 것이 파arameter 추정에 신뢰할 수 있음을 시사한다.
• 모델은 광도 재정규화에 대해 강인함을 입증하였으며, 이는 정확한 광도 캘리브레이션의 필요성이 파arameter 추정에 필수적이지 않음을 시사하며, 자연 이미지 처리 접근 방식과도 부합한다.