[논문 리뷰] Identifications of RR Lyrae stars and Quasars from the simulated data of Mephisto-W Survey

Lei Lei, Bingqiu Chen외 4명|arXiv (Cornell University)|2021. 11. 16.

Stellar, planetary, and galactic studies참고 문헌 34인용 수 8

한 줄 요약

이 연구는 Mephisto-W 설문의 시뮬레이션된 다밴대 (uvgriz) 광선 곡선에서 RR Lyrae 항성과 활성은하핵을 식별하기 위한 랜덤 포레스트 분류기(RFC) 프레임워크를 제안한다. SDSS 스트립 82의 광선 곡선과 시뮬레이션된 관측 주기 계획을 사용하여, RR Lyrae 항성에 대해 95.4%의 순도와 96.9%의 완전도를 달성하였고, 활성은하핵에 대해서는 91.4%의 순도와 90.2%의 완전도를 기록하여, 낮은 데이터 요구 조건에서도 높은 정확도를 입증하였다.

ABSTRACT

We have investigated the feasibilities and accuracies of the identifications of RR Lyrae stars and quasars from the simulated data of the Multi-channel Photometric Survey Telescope (Mephisto) W Survey. Based on the variable sources light curve libraries from the Sloan Digital Sky Survey (SDSS) Stripe 82 data and the observation history simulation from the Mephisto-W Survey Scheduler, we have simulated the $uvgriz$ multi-band light curves of RR Lyrae stars, quasars and other variable sources for the first year observation of Mephisto-W Survey. We have applied the ensemble machine learning algorithm Random Forest Classifier (RFC) to identify RR Lyrae stars and quasars, respectively. We build training and test samples and extract ~ 150 features from the simulated light curves and train two RFCs respectively for the RR Lyrae star and quasar classification. We find that, our RFCs are able to select the RR Lyrae stars and quasars with remarkably high precision and completeness, with $purity$ = 95.4 per cent and $completeness$ = 96.9 per cent for the RR Lyrae RFC and $purity$ = 91.4 per cent and $completeness$ = 90.2 per cent for the quasar RFC. We have also derived relative importances of the extracted features utilized to classify RR Lyrae stars and quasars.

연구 동기 및 목표

• Mephisto-W 설문의 첫 해 데이터에서 RR Lyrae 항성과 활성은하핵을 식별하는 데의 가능성과 정확도를 평가하기 위해.
• 희박하고 다밴대 광학적 밝기 곡선에서 변수 항성과 활성은하핵을 분류하기 위한 강력한 머신러닝 파이프라인을 개발하기 위해.
• 제한된 관측 기록이 있는 시간 영역 설문에서 효율적이고 대규모의 소스 식별을 가능하게 하기 위해.
• 은하학적 고고학과 우주론적 연구와 같은 Mephisto-W 설문의 핵심 과학 목표를 지원하기 위해.

제안 방법

• SDSS 스트립 82의 광선 곡선과 Mephisto-W 설문 스케줄러의 주기 모델을 기반으로 RR Lyrae 항성, 활성은하핵, 기타 변수의 시뮬레이션된 uvgriz 다밴대 광선 곡선을 생성하였다.
• SMSS DR2와의 교차 매칭을 통해 유도된 선형 校정 관계를 사용하여 SDSS ugriz magnitude를 SkyMapper 유사 uvgriz magnitude로 변환하였다.
• 기본 주기와 단계를 기반으로 단기 곡선을 시뮬레이션하기 위해 단계 정렬과 선형 보간을 적용하였다.
• 비주기적 활성은하핵의 경우, 1년 이내의 다섯 개의 랜덤 SDSS 관측치를 선택하고 이를 2022년 역도일에 재조정하여 현실적인 관측 시점 시뮬레이션을 구현하였다.
• 관측 조건에 기반한 현실적인 가우시안 광학적 노이즈를 주입하여 '관측된' 광선 곡선을 생성하였다.
• 483개의 RR Lyrae 항성과 9,107개의 활성은하핵을 양성 샘플로 사용하여, 150개 이상의 특징을 추출하고, 동일한 크기의 음성 샘플을 포함하여 별도의 랜덤 포레스트 분류기(RFC)를 훈련시켰다.

실험 결과

연구 질문

• RQ1 머신러닝은 Mephisto-W 설문의 희박하고 다밴대 광선 곡선에서 RR Lyrae 항성을 효과적으로 식별할 수 있는가?
• RQ2 시뮬레이션된 Mephisto-W 데이터에서 RFC의 활성은하핵 분류 정확도와 완전도는 어떠한가?
• RQ3 RR Lyrae 항성과 활성은하핵 분류에서 특징 중요도 순위는 어떻게 다를까?
• RQ4 훈련 데이터의 레이블 노이즈에 대해 RFC 방법은 어느 정도 강인한가?
• RQ5 이 방법은 제한된 관측 시점이 있는 대규모 시간 영역 설문에 효율적으로 적용될 수 있는가?

주요 결과

• RR Lyrae 항성 RFC는 순도 95.4%와 완전도 96.9%를 기록하여 고정밀도 및 고효율의 식별을 나타내었다.
• 활성은하핵 RFC는 순도 91.4%와 완전도 90.2%를 기록하여 활성은하핵 분류에서 뛰어난 성능을 보였다.
• RFC 방법은 레이블 노이즈에 대해 강인하였으며, RR Lyrae와 활성은하핵 분류기에서 각각 0.04%와 0.4%의 오차 증가만을 보였다 (5% 레이블 노이즈 조건).
• RR Lyrae 분류에서 가장 중요한 특징은 g−r과 mrcolor였고, 활성은하핵 식별에서는 u−g와 g−r가 가장 영향력 있는 특징이었다.
• 이 방법은 연간 필드당 4~5회의 관측만으로도 충분하여, 제한된 천체망원경 시간이 있는 광역 설문에 효율적이고 적합하였다.
• 이 프레임워크는 ZTF, WFST, LSST, CSST와 같은 다른 시간 영역 설문으로도 이식 가능하여 대규모 소스 분류를 가능하게 한다.