[论文解读] Deriving star cluster parameters with convolutional neural networks. II. Extinction and cluster/background classification

Jonas Bialopetravičius, D. Narbutis|arXiv (Cornell University)|Nov 22, 2019

Stellar, planetary, and galactic studies参考文献 31被引用 7

一句话总结

本文提出了一种基于ResNet架构的卷积神经网络（CNN），可从M83的多波段哈勃空间望远镜（Hubble Space Telescope, HST）图像中联合推断星团参数——年龄、质量、大小、消光（A_V）和可见性。该模型在年龄小于100 Myr且A_V ≤ 3 mag的条件下，能够以高精度恢复星团参数，同时实现星团存在性分类与可见性量化，展现出在模拟星团和真实星团数据上的稳健性能。

ABSTRACT

Context. Convolutional neural networks (CNNs) have been established as the go-to method for fast object detection and classification on natural images. This opens the door for astrophysical parameter inference on the exponentially increasing amount of sky survey data. Until now, star cluster analysis was based on integral or resolved stellar photometry, which limits the amount of information that can be extracted from individual pixels of cluster images. Aims. We aim to create a CNN capable of inferring star cluster evolutionary, structural, and environmental parameters from multi-band images, as well to demonstrate its capabilities in discriminating genuine clusters from galactic stellar backgrounds. Methods. A CNN based on the deep residual network (ResNet) architecture was created and trained to infer cluster ages, masses, sizes, and extinctions, with respect to the degeneracies between them. Mock clusters placed on M83 Hubble Space Telescope (HST) images utilizing three photometric passbands (F336W, F438W, and F814W) were used. The CNN is also capable of predicting the likelihood of a cluster's presence in an image, as well as quantifying its visibility (signal-to-noise). Results. The CNN was tested on mock images of artificial clusters and has demonstrated reliable inference results for clusters of ages $\lesssim$100 Myr, extinctions $A_V$ between 0 and 3 mag, masses between $3 imes10^3$ and $3 imes10^5$ ${ m M_\odot}$, and sizes between 0.04 and 0.4 arcsec at the distance of the M83 galaxy. Real M83 galaxy cluster parameter inference tests were performed with objects taken from previous studies and have demonstrated consistent results.

研究动机与目标

• 开发一种深度学习模型，能够从多波段成像数据中联合推断多个星团参数。
• 通过直接从图像数据中学习参数相关性，解决年龄-消光退化问题。
• 通过预测星团存在性和可见性（信噪比代理），实现星团的自动化检测。
• 在M83的真实模拟星团和真实星团星表上验证模型性能。
• 通过测试重新归一化的通量，评估精确测光校准是否对参数推断是必要的。

提出的方法

• 使用大量放置在真实M83 HST背景图像上的模拟星团合成数据集，训练了一个深度残差网络（ResNet）架构。
• 训练数据使用三个测光通带（F336W、F438W、F814W），覆盖年龄范围从10^6.6到10^10.1年，质量范围从3×10^3到3×10^5 M⊙，大小范围从0.04到0.4角秒，消光范围从0到3 mag。
• 网络被训练以预测五个输出：年龄、质量、大小、消光（A_V）和可见性（信噪比代理），通过联合回归捕捉退化关系。
• 在训练期间对每个通带的图像通量进行重新归一化，以测试模型对测光校准误差的鲁棒性。
• 使用最后一层的激活图估计不确定性，双峰或扩展的单峰分布表明可能存在参数模糊性。
• 采用随机背景采样方法，验证星团存在性和可见性预测的可靠性。

实验结果

研究问题

• RQ1 CNN能否在高精度下从多波段图像中联合推断星团年龄、质量、大小、消光和可见性？
• RQ2 在缺乏外部先验信息的情况下，模型在多大程度上能解决年龄-消光退化问题？
• RQ3 当模型在重新归一化的通量上进行训练时，其性能是否依然稳健，表明精确测光校准并非必需？
• RQ4 该网络在多大程度上能从M83现有星表中检测真实星团，并获得一致的参数估计？
• RQ5 网络的激活图能否提供可靠的参数不确定性代理？

主要发现

• 对于年龄≤100 Myr的星团，CNN在推断参数方面表现出高精度，推断年龄与真实值及真实星团星表高度一致。
• 对于年龄超过100 Myr的星团，由于年龄-消光退化问题，年龄估计系统性偏高，尤其在仅使用三个测光波段时更为明显。
• 消光（A_V）推断精度良好，尽管在某些情况下略有高估；模型正确识别出图像中的红化区域，支持更高的消光估计值。
• 可见性预测（信噪比代理）与人工目视检查结果一致，中等亮度星团的值约为15–25，较暗星团则更低。
• 激活图显示，20%的星团呈现扩展的单峰分布，不足1%呈现双峰模式，表明选择最高激活值通常对参数估计是可靠的。
• 模型对通量重新归一化表现出鲁棒性，表明精确测光校准并非参数推断的必要条件，与自然图像处理方法一致。