[논문 리뷰] Predicting resolved galaxy properties from photometric images using convolutional neural networks

Tobias Buck, Steffen Wolf|arXiv (Cornell University)|2021. 11. 01.

Data Visualization and Analytics인용 수 6

한 줄 요약

이 논문은 다중 밴드 광학적 이미지에서 은하 물리적 성질—예를 들어 항성 질량, 금속성, 연령, 별 형성률—의 2차원 맵을 예측하는 컨volutional 신경망(CNN) 프레임워크인 PICASSSO를 제시한다. 이 모델은 항성 성질을 재구성할 때 픽셀 단위 산란이 20% 미만이며, 전통적인 질량-광도 비율 방법을 뛰어넘고 일반적인 IFU 관측의 해상도 한계를 초월한 고해상도 추론을 가능하게 한다.

ABSTRACT

Multi-band images of galaxies reveal a huge amount of information about their morphology and structure. However, inferring properties of the underlying stellar populations such as age, metallicity or kinematics from those images is notoriously difficult. Traditionally such information is best extracted from expensive spectroscopic observations. Here we present the $Painting\\, IntrinsiC\\, Attributes\\, onto\\, SDSS\\, Objects$ (PICASSSO) project and test the information content of photometric multi-band images of galaxies. We train a convolutional neural network on 27,558 galaxy image pairs to establish a connection between broad-band images and the underlying physical stellar and gaseous galaxy property maps. We test our machine learning (ML) algorithm with SDSS $ugriz$ mock images for which uncertainties and systematics are exactly known. We show that multi-band galaxy images contain enough information to reconstruct 2d maps of stellar mass, metallicity, age and gas mass, metallicity as well as star formation rate. We recover the true stellar properties on a pixel by pixel basis with only little scatter, $\\lesssim20\\%$ compared to $\\sim50\\%$ statistical uncertainty from traditional mass-to-light-ratio based methods. We further test for any systematics of our algorithm with image resolution, training sample size or wavelength coverage. We find that galaxy morphology alone constrains stellar properties to better than $\\sim20\\%$ thus highlighting the benefits of including morphology into the parameter estimation. The machine learning approach can predict maps of high resolution, only limited by the resolution of the input bands, thus achieving higher resolution than IFU observations. The network architecture and all code is publicly available on GitHub.

연구 동기 및 목표

• 다중 밴드 광학적 이미지에서 고해상도 2차원 은하 항성 및 기체 성질 맵을 추론할 수 있는 기계학습 프레임워크를 개발하는 것.
• 광학적 이미지만으로도 높은 정확도로 물리적 은하 성질을 재구성하는 데 충분한 정보를 담고 있는지 평가하는 것.
• 이미지 해상도, 밴드 수, 훈련 샘플 크기의 변화가 예측 정확도에 미치는 영향을 평가하는 것.
• 은하 형태와 색 정보가 별개로 제공할 때보다 함께 사용할 경우 성질 재구성 성능이 향상되는지 여부를 평가하는 것.
• 기존 IFU 관측의 해상도 한계를 초월한 고해상도 은하 성질 추론을 가능하게 하는 것.

제안 방법

• U-Net 유사 컨volutional 신경망이 일리우시스 시뮬레이션의 27,558개 은하 이미지 쌍을 사용해 훈련되었으며, 입력으로 ugriz 넓은 밴드 광학적 이미지를 사용한다.
• 네트워크는 항성 질량, 금속성, 연령, 기체 질량, 기체 금속성, HI 질량, 별 형성률(SFR) 등 일곱 가지 물리적 성질의 2차원 맵을 예측한다.
• 예측된 물리적 성질 맵과 진짜 값 간의 픽셀 단위 차이를 최소화하는 다중 작업 손실 함수를 사용해 훈련한다.
• 정확도와 산란을 통제적으로 평가하기 위해 알려진 불확도와 시스템적 편향이 있는 SDSS 모의 이미지에서 모델을 평가한다.
• 입력 해상도(16x16에서 256x256 픽셀), 밴드 수(1~5), 훈련 샘플 크기(1,500~17,637개 은하)를 변화시켜 탈거 분석을 수행한다.
• 모든 코드와 훈련된 모델은 재현 가능성과 커뮤니티 활용을 위해 GitHub에 공개되어 있다.

실험 결과

연구 질문

• RQ1 다중 밴드 광학적 이미지만으로도 고해상도 2차원 은하 항성 및 기체 성질 맵을 높은 정확도로 재구성할 수 있는가?
• RQ2 다양한 밴드를 통한 색 정보 포함 여부가 형태 정보만을 사용할 때보다 예측된 물리적 성질 정확도에 어떤 영향을 미치는가?
• RQ3 이미지 해상도가 CNN 프레임워크를 사용한 은하 성질 재구성 정확도에 어떤 영향을 미치는가?
• RQ4 모델 성능이 훈련 데이터셋 크기에 얼마나 민감한데, 특히 현재 IFU 설문 조사 샘플 크기 범위 내에서 어떻게 되는가?
• RQ5 모델이 은하의 중심부나 외곽부와 같은 특정 영역에서 성질을 체계적으로 과소 또는 과대 예측하는가?

주요 결과

• 모델은 항성 질량과 금속성에 대해 픽셀 단위 산란이 10% 미만을 기록하며, 약 50%의 통계적 불확도를 가진 전통적인 질량-광도 비율 방법보다 뚜렷이 뛰어난 성능을 보인다.
• 기체 성질인 기체 질량과 금속성은 약 20%의 산란을 보이며, 항성 성질보다 약간 낮은 정확도를 나타낸다.
• 항성 연령과 SFR는 인구 전체 기준으로 20–50%의 산란을 보이며, 고해상도 맵핑에 있어 중간 정도이지만 수용 가능한 정확도를 확보한다.
• 모델은 중심 영역(R ≈ 0.5 R_half)에서 약간의 과소 예측 외에는 재구성 정확도에 뚜렷한 반경 방향 의존성이 없음을 보였다.
• 입력 밴드 수를 5개에서 1개로 줄일 경우 항성 성질의 산란은 40–60% 증가하고 기체 성질의 산란은 20% 증가하여 색 정보의 중요성을 입증한다.
• 이미지 해상도를 256×256 픽셀에서 16×16 픽셀로 낮추면 항성 성질의 산란은 최대 3–4배 증가하고 기체 질량의 산란은 최대 7배 증가하여 형태적 세부 정보의 핵심적 역할을 강조한다.