基于深度学习利用真实与模拟数据对环状星系的探测分析
星系天体物理
2024-10-08 v2
摘要
理解具有非典型环状结构的环状星系的形成与演化，对推进黑洞与星系动力学认知至关重要。然而，当前的环状星系星表有限，因为人工分析需数月才能积累可观的环样本。本文提出一种卷积神经网络（CNN）从未分类样本中识别环状星系。CNN 在 100,000 个模拟星系上训练，迁移学习至真实星系样本，并应用于先前未分类的数据集以生成环星表，随后进行人工核验。还采用了生成对抗网络（GAN）进行数据增强以模拟星系图像。所得星表包含 1967 个环状星系。然后根据测光估算这些星系的性质，并与 Galaxy Zoo 2 环状星表比较。然而，由于真实数据集中环的极度不平衡，模型精度目前受限，导致 41.1% 的显著假阳性率，这对成像数十亿星系巡天的大规模应用构成挑战。本研究展示了以低训练数据优化罕见形态 ML 流程的潜力，并强调需进一步改进以提升如 Vera Rubin 天文台时空遗产巡天等大规模巡天的精度。
引用
@article{arxiv.2210.11428,
title = {Analysis of Ring Galaxies Detected Using Deep Learning with Real and Simulated Data},
author = {Harish Krishnakumar and J. Bryce Kalmbach},
journal= {arXiv preprint arXiv:2210.11428},
year = {2024}
}
备注
17 pages, 17 figures. Accepted for publication in the Astronomical Journal (AJ)