[论文解读] Identifying microlensing events using neural networks

P. Mróz|CaltechAUTHORS (California Institute of Technology)|Aug 27, 2020

Stellar, planetary, and galactic studies参考文献 3被引用 10

一句话总结

本论文提出两种基于全连接神经网络和卷积神经网络（CNN）的深度学习分类器，用于自动检测光变曲线中的单透镜和双透镜微引力透镜事件。模型在 OGLE-III 和 OGLE-IV 数据上进行训练，对单透镜事件的召回率约为 98%，对双透镜事件的召回率为 80–85%，在 ZTF 数据上表现出稳健性能，且在未来的空间任务（如罗曼空间望远镜）中具有强大潜力。

ABSTRACT

Current gravitational microlensing surveys are observing hundreds of millions of stars in the Galactic bulge - which makes finding rare microlensing events a challenging tasks. In almost all previous works, microlensing events have been detected either by applying very strict selection cuts or manually inspecting tens of thousands of light curves. However, the number of microlensing events expected in the future space-based microlensing experiments forces us to consider fully-automated approaches. They are especially important for selecting binary-lens events that often exhibit complex light curve morphologies and are otherwise difficult to find. There are no dedicated selection algorithms for binary-lens events in the literature, which hampers their statistical studies. Here, we present two simple neural-network-based classifiers for detecting single and binary microlensing events. We demonstrate their robustness using OGLE-III and OGLE-IV data sets and show they perform well on microlensing events detected in data from the Zwicky Transient Facility (ZTF). Classifiers are able to correctly recognize ~98% of single-lens events and 80-85% of binary-lens events.

研究动机与目标

• 为解决大规模测光巡天中罕见微引力透镜事件的识别挑战，传统人工检查已不可行。
• 开发可扩展的自动化分类器，用于检测单透镜和复杂双透镜微引力透镜事件，这些事件难以通过传统筛选条件识别。
• 构建一个稳健且可迁移的机器学习框架，能够泛化于不同巡天采样率和噪声特性，包括地面观测（OGLE、ZTF）和未来空间任务（罗曼）数据。
• 为统计研究提供无偏见、高完整性微引力透镜事件样本，特别是目前缺乏专用检测算法的双透镜系统。
• 证明深度学习在检测微引力透镜事件方面可超越或匹配传统方法，同时减少人为偏见和人工工作量。

提出的方法

• 使用 15 个手工设计的光变曲线特征（如峰值星等、持续时间、自由度归一化的 χ²）训练全连接神经网络，以分类单透镜微引力透镜事件。
• 将卷积神经网络（CNN）应用于光变曲线的二维表示，通过时间序列堆叠相位化光变曲线构建，以检测单透镜和双透镜事件。
• 二维光变曲线表示设计用于保留时间结构，对数据间隙和非均匀采样具有鲁棒性，尽管在均匀采样条件下性能更优，如罗曼空间望远镜预期的采样率。
• 模型在真实 OGLE-III 和 OGLE-IV 光变曲线上进行训练，包含真实的微引力透镜事件和非微引力透镜的伪影，以提升泛化能力并避免对合成数据过拟合。
• 训练使用平衡数据集，包含真实微引力透镜事件和非微引力透镜光变曲线，以确保高召回率并增强对噪声和观测系统误差的鲁棒性。
• 在独立的 OGLE-IV 和 ZTF 测试集上评估性能，使用召回率、精确率和 F1 分数等指标评估检测效率和纯净度。

实验结果

研究问题

• RQ1 深度学习分类器能否在保持可接受纯净度的前提下，以比传统筛选条件更高的完整性检测单透镜微引力透镜事件？
• RQ2 单一神经网络模型能否在双透镜事件形态复杂的情况下，实现与单透镜事件相当的检测性能？
• RQ3 这些分类器在不同测光巡天（如 OGLE 与 ZTF）之间，对采样率、噪声和数据质量差异的泛化能力如何？
• RQ4 光变曲线的二维 CNN 表示能否有效捕捉微引力透镜特征，特别是在存在数据间隙和非均匀采样时？
• RQ5 这些模型在识别稀有微引力透镜事件（尤其是双透镜系统）方面，能在多大程度上超越人工检查或经典统计滤波方法？

主要发现

• 全连接神经网络分类器在独立测试集上对单透镜微引力透镜事件的召回率达到 97.5–98.0%，在完整性方面优于传统方法。
• 双透镜分类器在测试集上召回率为 80–85%，证明了对复杂光变曲线形态实现自动化检测的可行性。
• 基于 CNN 的分类器在相同测试集上对单透镜事件的召回率为 96.7%，对双透镜事件为 84.1%，显示出在不同数据集间的强大泛化能力。
• 模型在 ZTF 数据上泛化良好，尽管其采样率和噪声结构与 OGLE 数据存在差异，仍能正确识别微引力透镜事件。
• 即使在包含伪影的真实数据上进行训练，分类器仍保持高性能，由于保留了真实噪声特性，其表现优于在合成光变曲线上训练的模型。
• 本研究证明，深度学习在识别微引力透镜事件方面可达到甚至超越人类专家的性能，尤其在传统方法失效的双透镜系统中表现突出。