暗能量巡天中星系目录构建的规模化深度学习

正在进行与未来的电磁巡天的规模对天体分类提出了巨大挑战。这方面的开创性努力包括斯隆数字巡天（SDSS）采用的公民科学活动。SDSS数据集近来被用于训练神经网络模型，以分类同时覆盖两次巡天足迹的暗能量巡天（DES）中的星系。在此，我们证明，经真实天体图像预训练的深度学习算法知识可被迁移用于分类同时覆盖SDSS与DES巡天的星系，达到最先进的准确率$\gtrsim99.6\%$。我们证明该过程利用分布式训练可在仅八分钟内完成。虽然这代表着对覆盖先前巡天的DES星系分类的重大进展，我们仍需启动对参数空间新区域中未标记DES星系的表征。为加速该计划，我们使用神经网络分类器标记了超过一万颗不覆盖先前巡天的未标记DES星系。此外，我们将神经网络模型用作无监督聚类的特征提取器，发现未标记DES图像可依据形态学归为两类不同的星系，这提供了学习成功迁移至未标记DES图像分类的启发式检验。最后我们表明，这些新标记数据集可与无监督递归训练结合，为大型综合巡天望远镜（Large Synoptic Survey Telescope）时代准备大规模DES星系目录。