规模化 Astronomaly：在四百万星系中搜索异常

现代天文巡天正在产生规模和丰富度空前的数据集，增加了高影响力科学发现的可能性。这种可能性，加上探索大量源的挑战，催生了基于机器学习的异常检测新方法，例如 Astronomaly。我们首次通过将其应用于暗能量相机 Legacy 巡天中近 400 万星系图像来测试 Astronomaly 的可扩展性。我们使用训练好的深度学习算法学习图像的有用表示，并将其传递给异常检测算法孤立森林，结合 Astronomaly 的主动学习方法，以发现有趣的源。我们发现数据选择标准对寻找强透镜等稀有源与向数据集中引入伪影之间的权衡有显著影响。我们证明需要主动学习来识别最有趣的源并减少伪影，而仅用异常检测方法是不够的。使用 Astronomaly，在应用主动学习后，我们在数据集中排名前 2000 的源里发现 1635 个异常，包括八个强引力透镜候选、1609 个星系并合候选，以及 18 个先前未识别的具有高度不寻常形态的源。我们的结果表明，通过利用人机接口，Astronomaly 能够即使在大型数据集中也能快速识别具有科学意义的源。