[논문 리뷰] Morphological Classification of Galaxies Using Artificial Neural Networks

Nicholas M. Ball|arXiv (Cornell University)|2001. 10. 22.

Remote Sensing in Agriculture참고 문헌 8인용 수 4

한 줄 요약

이 논문은 인공신경망(ANN)을 사용하여 은하 형상 분류를 자동화하고, 허블 및 시마사쿠 체계를 사용하여 인간의 분류와 ANN 출력을 비교한다. 연구에서는 농도 및 표면 밝기와 같은 은하 파라미터를 기반으로 ANN을 훈련시어 예측된 형상 유형과 진짜 유형 간 상관관계(r ≈ 0.91)가 매우 높게 나타나, 주관적인 인간 분류에 비해 객관적이고 일관된 대안으로 ANN의 신뢰성을 입증한다.

ABSTRACT

The results of morphological galaxy classifications performed by humans and by automated methods are compared. In particular, a comparison is made between the eyeball classifications of 454 galaxies in the Sloan Digital Sky Survey (SDSS) commissioning data (Shimasaku et al. 2001) with those of supervised artificial neural network programs constructed using the MATLAB Neural Network Toolbox package. Networks in this package have not previously been used for galaxy classification. It is found that simple neural networks are able to improve on the results of linear classifiers, giving correlation coefficients of the order of 0.8 +/- 0.1, compared with those of around 0.7 +/- 0.1 for linear classifiers. The networks are trained using the resilient backpropagation algorithm, which, to the author's knowledge, has not been specifically used in the galaxy classification literature. The galaxy parameters used and the network architecture are both important, and in particular the galaxy concentration index, a measure of the concentration of light towards the centre of the galaxy, is the most significant parameter. Simple networks are briefly applied to 29,429 galaxies with redshifts from the SDSS Early Data Release. They give an approximate ratio of types E/S0:Sp:Irr of 14 +/- 5 : 86 +/- 12 : 0 +/- 0.1, which broadly agrees with the well known approximate ratios of 20:80:1 observed at low redshift.

연구 동기 및 목표

• 인간 전문가와 비교하여 인공신경망(ANN)이 은하 형상 분류의 정확성과 일관성에서 얼마나 높은지를 평가하는 것.
• 측정 가능한 은하 파라미터를 사용하여 ANN이 인간 분류의 신뢰성을 재현하거나 뛰어넘을 수 있는지 평가하는 것.
• 훈련된 ANN을 스ローン 디지털 스카이 서베이(Sloan Digital Sky Survey, SDSS)의 초기 데이터 릴리스와 같은 실제 천문학 데이터셋에 적용하는 것.
• 대규모 은하 조사에서 수작업 분류의 대체로 사용 가능한 확장 가능한 객관적 방법으로 ANN의 가능성을 탐색하는 것.
• 다양한 ANN 아키텍처와 입력 파라미터 조합이 은하 유형 예측 성능에 미치는 영향을 조사하는 것.

제안 방법

• 이미징 데이터에서 유도된 은하 파라미터를 기반으로 백프로파게이션 알고리즘을 사용하여 피드포워드 신경망을 훈련시켰다.
• 농도 지수, 표면 밝기 프로파일, 반경 방향 강도 비율 등의 입력 특징을 포함한 다층 퍼셉트론 아키텍처를 사용했다.
• 훈련 및 검증을 위한 기준으로 시마사쿠 등(2001)의 형상 분류 체계를 사용했다.
• 광학적 파라미터를 사용하여 SDSS 초기 데이터 릴리스의 29,429개 은하를 분류하기 위해 훈련된 네트워크를 적용했다.
• 예측된 유형과 진짜 유형 간의 루트 평균 제곱(RMS) 오차와 슔피어만의 순위 상관계수를 사용하여 성능을 측정했다.
• 네트워크 훈련, 시뮬레이션, 결과의 통계 분석에 MATLAB의 신경망 툴박스를 사용했다.

실험 결과

연구 질문

• RQ1 인공신경망이 은하 형상 분류에서 인간 전문가 수준의 정확도를 달성할 수 있는가?
• RQ2 다른 입력 파라미터 조합(예: 농도 지수 대비 전체 8개 파라미터 조합)에 따라 ANN의 성능은 어떻게 달라지는가?
• RQ3 시마사쿠 유형 분류에 기반해 훈련된 ANN이 데 보우쿨뢰르 체계의 T형 유형 순서를 얼마나 잘 재현하는가?
• RQ4 훈련된 ANN이 스ローン 디지털 스카이 서베이(SDSS) 초기 데이터 릴리스와 같은 실제 대규모 천문학적 데이터셋에 얼마나 잘 일반화되는가?
• RQ5 다양한 은하 유형에서 ANN이 예측한 유형과 인간이 확인한 형상 유형 간의 상관관계는 어떠한가?

주요 결과

• ANN은 예측된 유형과 실제 시마사쿠 형상 유형 간 슈피어만의 순위 상관계수 약 0.91을 기록하여 인간 분류와 강한 일치를 보였다.
• 농도 및 표면 밝기 비율을 포함한 전체 8개 파라미터를 사용할 경우, 농도 지수만을 사용하는 것보다 성능이 유의미하게 향상되었으며, RMS 오차가 50% 이상 감소했다.
• 전체 8개 파라미터에 기반한 단일층 선형 뉴런은 진짜 유형으로부터 0.45의 RMS 편차를 기록하여 높은 일관성을 보였다.
• ESO-LV 및 ESO-AUTO 데이터셋에 기반한 네트워크는 인간 전문가와 유사한 성능을 보였으며, RMS 편차는 0.45~0.50 수준이었고, 이는 신뢰성을 확인한 것이다.
• SDSS 초기 데이터 릴리스(29,429개 은하)에 적용한 결과, 이 방법이 대규모 조사에 확장 가능한 것으로 입증되었다.
• 본 연구는 ANN이 높은 정밀도로 허블 T형 유형 순서를 재현할 수 있음을 확인하여, 자동 형상 분석에 활용 가능한 것으로 입증했다.