[논문 리뷰] Evolutionary Deep Learning to Identify Galaxies in the Zone of Avoidance

David Jones, Anja Schroeder외 1명|arXiv (Cornell University)|2019. 03. 06.

Spectroscopy and Chemometric Analyses참고 문헌 38인용 수 3

한 줄 요약

이 연구는 은하를 탐지하기 위해 유전적 알고리즘을 사용하여 최적의 컨volutional 신경망(CNN) 구조를 자동으로 진화시키는 진화적 딥러닝 접근법을 제안한다. 이는 고도의 흡착과 밀도가 높은 항성으로 인해 외성간 천체가 가려지는 은하의 회피대역(ZoA)에서 이루어진다. 이 방법은 모든 J, H, K 대역을 사용한 32×32 near-infrared 이미지에서 91.75%의 정확도를 달성하였으며, 미사용 데이터에서 잠재적 은하 3,907개를 성공적으로 식별하였다. 이는 도전적인 천문학적 환경에서 수동 조정 대비 자동 구조 진화의 유효성을 입증한다.

ABSTRACT

The Zone of Avoidance makes it difficult for astronomers to catalogue galaxies at low latitudes to our galactic plane due to high star densities and extinction. However, having a complete sky map of galaxies is important in a number of fields of research in astronomy. There are many unclassified sources of light in the Zone of Avoidance and it is therefore important that there exists an accurate automated system to identify and classify galaxies in this region. This study aims to evaluate the efficiency and accuracy of using an evolutionary algorithm to evolve the topology and configuration of Convolutional Neural Network (CNNs) to automatically identify galaxies in the Zone of Avoidance. A supervised learning method is used with data containing near-infrared images. Input image resolution and number of near-infrared passbands needed by the evolutionary algorithm is also analyzed while the accuracy of the best evolved CNN is compared to other CNN variants.

연구 동기 및 목표

• 고도의 항성 밀도와 흡착으로 인해 외성간 천체가 가려지는 은하의 회피대역(ZoA)에서 은하 식별의 과제를 해결한다.
• 수작업 검토에 의존하는 것을 줄이고, ZoA에서 은하를 분류하는 자동화된 시스템을 개발한다.
• 진화적 알고리즘이 노이즈가 많고 복잡한 ZoA 환경에서 성능을 향상시키기 위해 CNN의 구조와 하이퍼파라미터를 최적화할 수 있는지 평가한다.
• 입력 해상도와 다중 대역 near-infrared(J, H, K) 데이터가 분류 정확도에 미치는 영향을 평가한다.
• 천문학자들이 지역 우주에서의 우주론적 연구를 지원하고 은하 카탈로그를 보다 스케일러블하게 만들 수 있도록 자동화된 도구를 제공한다.

제안 방법

• 컨volutional 신경망(CNN)의 아키텍처와 하이퍼파라미터(필터 수, 커널 크기, 레이어 구성 등)를 진화시키기 위해 진화 알고리즘(EA)을 사용한다.
• ZoA에서의 레이블이 부여된 near-infrared FITS 이미지 데이터를 사용하여 지도 학습을 수행한다. 이는 은하 및 비은하 천체가 사전에 레이블이 매겨진 것이다.
• 검증 세트에서의 정확도를 적합도 함수로 사용하여 EA의 여러 세대에 걸쳐 CNN을 훈련하고 평가한다.
• 최적으로 진화된 CNN을 Galyxi Fynder 추론 모듈을 사용하여 미사용 FITS 데이터에 적용하여 잠재적 은하를 탐지한다.
• 다양한 입력 해상도(예: 32×32)와 대역 수(J, H, K)를 비교하여 입력 데이터의 영향을 평가한다.
• 계산 및 데이터 제약으로 인해 완전히 연결된 모든 레이어에서 활성화 함수의 진화를 단일 함수로 제한한다.

실험 결과

연구 질문

• RQ1 노이즈가 많고 복잡한 ZoA에서 은하 식별을 위한 CNN 구조 최적화에 진화적 알고리즘이 효과적으로 기여할 수 있는가?
• RQ2 단일 대역 입력에 비해 다중 대역 near-infrared(J, H, K) 데이터를 사용할 경우 분류 정확도가 향상되는가?
• RQ3 특히 32×32와 같은 작은 크기의 해상도에서 진화된 CNN의 성능에 얼마나 민감한가?
• RQ4 ZoA 환경에서 수동으로 튜닝된 CNN 설정에 비해 진화적 접근 방식이 정확도와 일반화 능력 측면에서 얼마나 뛰어나게 성능을 내는가?
• RQ5 진화된 CNN이 실제 천문학적 설문 조사에서 새로운 후보 은하를 식별하기 위해 미사용 데이터로 일반화할 잠재력은 어느 정도인가?

주요 결과

• 진화된 CNN은 32×32 near-infrared 이미지만을 사용하여 ZoA에서 은하 식별에 91.75%의 정확도를 달성하였으며, 낮은 해상도임에도 불구하고 강력한 일반화 능력을 보였다.
• 모든 세 개의 near-infrared 대역(J, H, K)을 사용한 결과는 성능을 약간 향상시켰으며, 이는 다중 대역 데이터가 탐지 능력을 향상시킨다는 가설을 지지한다.
• 기대와는 달리 매우 낮은 입력 해상도(32×32)도 높은 정확도를 달성하는 데 충분했으며, 이는 이 작업에서 작은 이미지에서의 학습이 효율적이고 효과적임을 시사한다.
• 진화적 알고리즘이 15세대 이내에 수렴하였고, 처리 시간이 짧아 천문학적 워크플로우에 있어 계산 효율성과 실용성을 입증하였다.
• 20,690개의 카탈로그화된 빛의 원천을 포함한 미사용 FITS 이미지에서 3,907개의 잠재적 은하를 성공적으로 식별하였으며, 이는 대규모 하늘 설문 조사에서의 유용성을 입증한다.
• 이 방법은 이전의 ZoA 연구들(예: Lahav 등은 80–96%, Drinkwater 등)을 뛰어넘었으며, ZoA 외부 연구들(예: Khalifa 등은 97% 정확도)과 비교해도 성능이 유사하거나 이를 초월하였다. 이는 ZoA의 극도로 과도한 관측 조건에도 불구하고 성과를 내었다.