[논문 리뷰] Gaia Data Release 3: All-sky classification of 12.4 million variable sources into 25 classes

L. Rimoldini, B. Holl외 32명|arXiv (Cornell University)|2022. 11. 30.

Gamma-ray bursts and supernovae인용 수 4

한 줄 요약

이 논문은 Gaia 데이터 릴리스 3에서 1,240만 개의 변동성 소스를 G, G_BP, G_RP 대역의 광도 시간 시리즈를 사용하여 25개의 별도의 변동성 유형으로 기계학습 기반 분류를 제안한다. eXtreme Gradient Boosting 및 Random Forest 분류기를 활용하여 주기적 및 비주기적 변수들을 고정밀도로 식별하였으며, 이는 펄서링성 항성, 일식 쌍성, 활성 은하핵, 초신성 등을 포함한다. 은하들은 확장된 소스로 인한 인위적 변동성로 인해 별도로 표기된다.

ABSTRACT

Gaia DR3 contains 1.8 billion sources with G-band photometry, 1.5 billion of which with BP and RP photometry, complemented by positions on the sky, parallax, and proper motion. The median number of field-of-view transits in the three photometric bands is between 40 and 44 measurements per source and covers 34 months of data collection. We pursue a classification of Galactic and extra-galactic objects that are detected as variable by Gaia across the whole sky. Supervised machine learning (eXtreme Gradient Boosting and Random Forest) was employed to generate multi-class, binary, and meta-classifiers that classified variable objects with photometric time series in the G, BP, and RP bands. Classification results comprise 12.4 million sources (selected from a much larger set of potential variable objects) and include about 9 million variable stars classified into 22 variability types in the Milky Way and nearby galaxies such as the Magellanic Clouds and Andromeda, plus thousands of supernova explosions in distant galaxies, 1 million active galactic nuclei, and almost 2.5 million galaxies. The identification of galaxies was made possible by the artificial variability of extended objects as detected by Gaia, so they were published in the galaxy_candidates table of the Gaia DR3 archive, separate from the classifications of genuine variability (in the vari_classifier_result table). The latter contains 24 variability classes or class groups of periodic and non-periodic variables (pulsating, eclipsing, rotating, eruptive, cataclysmic, stochastic, and microlensing), with amplitudes from a few milli-magnitudes to several magnitudes.

연구 동기 및 목표

• 18억 개의 Gaia 소스의 천구적 변동성을 고유한 물리적 유형으로 분류하기 위해.
• 수반된 은하 및 은하수 내에서 변동성 항성, 활성 은하핵, 일시적 사건들을 식별하고 분류하기 위해.
• 다양한 광도 곡선 형태를 가진 수백만 개의 변동성 소스를 감안한 지도 기반 기계학습을 통해 문제를 해결하기 위해.
• 은하와 같은 확장된 물체에서 발생하는 인위적 변동성과 진정한 변동성 소스를 구분하기 위해.
• 천문학 공동체가 이용할 수 있도록 포괄적이고 공개된 분류 목록을 제공하기 위해.

제안 방법

• Gaia DR3의 광도 곡선 자료를 기반으로 eXtreme Gradient Boosting(XGBoost) 및 Random Forest 분류기를 사용한 지도 기반 기계학습.
• 기존의 알려진 변동성 소스 유형에서 유래한 학습 데이터로, G, G_BP, G_RP 대역 광도 곡선에서 특징을 추출하였다.
• 25개의 변동성 유형(펄서링, 일식, 자전, 폭발, 초신성, 확률적, 중력 렌즈 효과 등)을 식별하기 위해 다중 클래스, 이진 클래스, 메타 분류기 모델을 학습시켰다.
• 세 대역 광도 측정에서의 진폭, 주기, 형태, 색깔-등급 행동에 초점을 맞춘 특징 공학.
• 은하의 경우 인위적 변동성 탐지를 별도로 처리하였으며, 이는 galaxy_candidates 테이블에 게재되었고, vari_classifier_result 테이블과는 별개로 관리되었다.
• 기존 카탈로그와의 교차 식별 및 분류 신뢰도에 대한 내부 일관성 검증을 통해 검증하였다.

실험 결과

연구 질문

• RQ1 Gaia DR3의 광도 측정 자료를 사용하여 기계학습이 천구 전체에 걸쳐 변동성 소스를 얼마나 정확하게 분류할 수 있는가?
• RQ2 은하수 및 주변 은하에서 변동성 소스 유형의 분포는 어떻게 되는가?
• RQ3 대규모 설문 조사에서 내재적 및 외재적 변동성 메커니즘 간을 기계학습이 어떻게 구분할 수 있는가?
• RQ4 예를 들어 펄서링성과 폭발성 유형 간에 다중 대역에서의 광도 서명은 어떻게 다를 수 있는가?
• RQ5 은하와 같은 확장된 물체가 Gaia의 광도 데이터에서 진정한 변동성 항성과 얼마나 신뢰성 있게 분리될 수 있는가?

주요 결과

• 분류 결과는 약 900만 개의 변동성 항성과 22개의 별도의 변동성 유형을 포함한 총 1,240만 개의 변동성 소스를 포함한다.
• 데이터셋은 Gaia 관측의 34개월 분량을 포함하며, 소스당 평균 40~44회에 걸쳐 세 대역에서의 통과 수를 기록한다.
• 분류 결과로 100만 개의 활성 은하핵과 거의 250만 개의 은하가 식별되었으며, 후자는 확장된 소스로 인한 인위적 변동성로 인해 표기되었다.
• 주기적 및 비주기적 변수를 모두 성공적으로 분류하였으며, 밀리마그니튜드에서 몇 개의 마그니튜드에 이르는 진폭을 가진 시스템도 포함된다.
• XGBoost 및 Random Forest 모델을 사용함으로써 다중 대역에서 복잡한 광도 곡선 형태를 높은 정확도로 식별할 수 있었다.
• 결과는 Gaia DR3 아카이브에 게재되었으며, vari_classifier_result 테이블에는 24개의 별도의 변동성 유형 또는 유형 그룹이 포함되어 있다.