卷积神经网络在时域天体物理学中的应用：OGLE光变曲线的二维图像分析
天体物理仪器与方法
2024-11-12 v1 太阳与恒星天体物理
摘要
近年来，公开可用的天文数据量呈指数级增长，大规模多历元测光巡天就是一个显著的例子。这些丰富的数据对常用于研究变源对象的经典方法提出了挑战。作为回应，深度学习技术正越来越多地被探索用于有效分类、分析和解释这些大型数据集。在本文中，我们使用二维直方图将光学引力透镜实验（OGLE）的相位折叠光变曲线表示为图像。我们使用卷积神经网络（CNN）将变源对象分为八个不同类别（以下称为标签）：经典造父变星（CEP）、天琴座RR型星（RR）、长周期变星（LPV）、蒭藁型变星（M）、椭球双星（ELL）、盾牌座δ型星（DST）、食双星（E）以及具有错误周期的虚假类（Rndm）。我们设置了不同的训练集来训练相同的CNN架构，以表征训练的影响。训练集来自相同的标签源，但应用了不同的滤波和平衡技术。即：欠采样（U）、数据增强（DA）和批次平衡（BB）。最佳性能通过BB方法和约370000颗恒星的训练样本量实现。在计算性能方面，图像表示生成速率约为每核心每秒76张图像，预测时间约为每颗恒星60微秒。分类准确率从仅基于CNN时的约92%提高到将CNN结果与周期和振幅特征结合的两步方法时的约98%。该方法取得了与先前研究相当的结果，但有两个主要优势：识别计算错误的周期以及提高计算时间成本。
引用
@article{arxiv.2408.11960,
title = {Application of Convolutional Neural Networks to time domain astrophysics. 2D image analysis of OGLE light curves},
author = {N. Monsalves and M. Jaque Arancibia and A. Bayo and P. Sánchez-Sáez and R. Angeloni and G Damke and J. Segura Van de Perre},
journal= {arXiv preprint arXiv:2408.11960},
year = {2024}
}
备注
accepted for publication in A&A