[논문 리뷰] The VIMOS Public Extragalactic Redshift Survey (VIPERS). Unsupervised classification with photometric redshifts: a method to accurately classify large galaxy samples without spectroscopic information

M. Siudek, K. Małek외 36명|arXiv (Cornell University)|2018. 05. 24.

Astronomy and Astrophysical Research참고 문헌 4인용 수 10

한 줄 요약

이 논문은 광학적 적색편이와 휴면 프레임 magnitudes를 사용하여 z ~ 0.7에서 은하를 분류하는 비지도 기계학습 방법을 제시한다. 이 방법은 분광학적 분류 수준의 정확도를 달성한다. 피셔 기대-최대화(FEM) 알고리즘은 빨간색, 초록색, 파란색, 이상치의 네 가지 주요 유형을 높은 정밀도로 식별하며, 빨간색 은하의 정확도는 92%이며, 파랑/초록색 유형의 조합 정확도는 96%에 이르며, 이는 광학적 데이터만으로도 유라이드 또는 LSST와 같은 대규모 설문조사에서 강력한 은하 분류가 가능하다는 것을 보여준다.

ABSTRACT

Techniques to classify galaxies solely based on photometry will be necessary for future large cosmology missions, such as Euclid or LSST. However, the precision of classification is always lower in photometric surveys and can be systematically biased with respect to classifications based upon spectroscopic data. We verified how precisely the detailed classification scheme introduced by Siudek et al. (2018, hereafter: S1) for galaxies at z~0.7 could be reproduced if only photometric data are available. We applied the Fisher Expectation-Maximization (FEM) unsupervised clustering algorithm to 54,293 VIPERS galaxies working in a parameter space of reliable photometric redshifts and 12 corresponding rest-frame magnitudes. The FEM algorithm distinguishes four main groups: (1) red, (2) green, (3) blue, and (4) outliers. Each group is further divided into 3, 3, 4, and 2 subclasses, respectively. The accuracy of reproducing galaxy classes using spectroscopic data is high: 92%, 84%, 96% for red, green, and blue classes, respectively, except for dusty star-forming galaxies. The presented verification of the photometric classification demonstrates that large photometric samples can be used to distinguish different galaxy classes at z > 0.5 with an accuracy provided so far only by spectroscopic data except for particular galaxy classes.

연구 동기 및 목표

• 분광학적 데이터에 의존하지 않고 대규모 은하 샘플에 대해 강력한 비지도 분류 방법을 개발하기 위해.
• 광학적 적색편이와 휴면 프레임 magnitudes가 이전에 분광학으로 확립된 세밀한 은하 분류 체계를 재현할 수 있는지 평가하기 위해.
• 비지도 학습에서 광학적 데이터만을 사용하여 z ~ 0.7에서 은하 유형을 구분하는 FEM 군집 알고리즘의 성능을 평가하기 위해.
• 특정 하위유형, 예를 들어 먼지가 많은 성간 형성 은하와 같이 분광학적 정밀도가 여전히 필수적인 경우의 분류 한계를 규명하기 위해.
• 광학적 및 분광학적 분류를 비교하여 광학 설문조사가 은하 진화 연구에 활용 가능한지 검증하기 위해.

제안 방법

• FEM(Fisher 기대-최대화) 비지도 군집 알고리즘이 VIPERS 설문의 54,293개 은하에 적용된다.
• 입력 특징으로는 신뢰할 수 있는 광학적 적색편이(σ ≈ 0.03, η ≈ 2%)와 0.7 적색편이 범위 내 12개의 휴면 프레임 magnitudes가 포함된다.
• 알고리즘은 빨간색, 초록색, 파란색, 이상치의 네 가지 주요 유형을 식별하며, 각각 3개, 3개, 4개, 2개의 하위유형으로 추가 분류된다.
• 분류 정확도는 광학적 유형(PHOT)과 분광학적 유형(SPEC)을 혼동 행렬을 사용하여 비교함으로써 평가된다.
• 이 방법은 사전 레이블링 없이 데이터의 통계적 구조에만 의존하여 자연스러운 군집을 발견하도록 훈련된다.
• 광학적 분류 성능를 기준으로 삼기 위해 대규모이고 잘 校정된 분광학 샘플을 사용하여 방법의 타당성을 검증한다.

실험 결과

연구 질문

• RQ1 광학적 적색편이를 사용한 비지도 군집화가 이전에 분광학 데이터로부터 유도된 세밀한 은하 분류 체계를 재현할 수 있는가?
• RQ2 분광학적 적색편이 없이도 광학적 데이터로 z ~ 0.7에서 빨간색, 초록색, 파란색 유형의 은하를 얼마나 정확히 분류할 수 있는가?
• RQ3 먼지가 많은 성간 형성 은하나 AGN과 같은 특정 은하 하위유형의 광학적 분류에는 어떤 한계가 있는가?
• RQ4 비지도 학습에서 은하 분류의 정밀도에 광학적 적색편이 정확도가 어느 정도의 영향을 미치는가?
• RQ5 사전 훈련 없이도 FEM 알고리즘이 대규모 광학 설문조사에서 이상치와 희귀 은하 유형을 신뢰성 있게 식별할 수 있는가?

주요 결과

• 광학적 분류와 분광학적 분류를 비교할 때 FEM 알고리즘이 빨간색 은하 유형을 92%의 정확도로 재현한다.
• 파랑 및 초록색 은하 유형의 조합은 96%의 정확도로 재현되며, 주로 색상 기반 분류의 강력한 일관성을 시사한다.
• 초록색 유형은 84%의 정확도를 보이며, 중간 색상 은하의 복잡성으로 인해 성능이 낮을 가능성이 있다.
• 먼지가 많은 성간 형성 은하 유형(SPEC 클래스 8)은 광학적 분류로 60%의 정확도에 그치며, 더 정밀한 SED 모델링이 필요함을 시사한다.
• 광범위한 선을 가진 AGN 및 별 유형(SPEC 클래스 12)은 광학적 분류와 30%의 일치도를 보이며, 광학 데이터에서 별과 AGN 유사 물체 간의 혼동이 있음을 나타낸다.
• 전반적으로 광학적 분류는 분광학적 분류에 비해 유의미한 편향이 없으며, 이는 대규모 설문조사에 대한 이 방법의 강건성을 확인한다.