Kunstig intelligens bestemmer den fotometriske rødforskydning

[BjarneModerator Super Nova]

Flere panoramiske kortlægninger af fjerne galakser er under forberedelse (LSST, Euclid, WFIRST). Disse vil producere flerbåndsfotometri for milliarder af galakser, hvortil pålidelige rødforskydninger også kræves til studiet af universets storskalastruktur. Spektroskopiske rødforskydninger er imidlertid ekstremt tidskrævende, hvorfor det bliver nødvendigt at anvende fotometriske rødforskydninger. Den sande middelrødforskydning for objekter i hvert fotometrisk rødforskydningsbin må kendes til bedre end ∼0.002(1+z) (z er rødforskydningen)med strenge krav til brøkdelen af katastrofalt afvigende værdier. En yderligere udfordring er bestemmelsen af en robust sandsynlighedsfordeling for rødforskydningen, samt en fuldstændig forståelse af usikkerheder forbundet med enhver kosmologisk måling.

Man har traditionelt anvendt to metodet: skabelontilpasning og maskinlæringsalgoritmer (kunstig intelligens, dvs AI). En begrænsning ved begge metoder har hidtil været de fotometriske målinger, som er påvirkede af den valgte blændestørrelse, PSF-variationer og overlappende objekter. Vi har i de senere år set en revolution inden for anvendelsen af Deep Learning (dvs kunstig intelligens) til billedklassifikation. B. Hoyle har vist, at Deep Convolutional neural network (CNN) var i stand til at bestemme nøjagtige fotometriske rødforskydninger direkte ud fra multifarvebilleder.

Denne artikel beskriver udviklingen af en kunstig intelligens i form af et Deep Convolutional Neural Network til estimering af fotometriske rødforskydninger med tilhørende sandsynlighedsfordelinger for et udvalg af galakser fra the Sloan Digital Sky Survey med rødforskydninger z < 0.4. Metoden anvender al informationen i billederne. Som input anvendes 64×64 pixler for hver af de fem optiske filtre ugriz centreret omkring de spektroskopiske mål, plus Mælkevejens rødfarvning langs retningen til disse mål. Dette CNN trænes på mere end 100000 objekter med spektroskopiske rødforskydninger, hvorefter det er i stand til at bestemme fotometriske rødforskydninger med en Mean Absolute Deviation (MAD) < 0.01, hvilket er signifikant lavere end de bedste spredninger for alternative metoder anvendt på de samme data. Den systematiske fejl er mindre end 0.0001, uafhængig af rødforskydningen. Forfatterne finder desuden, at CNN-rødforskydningen er uafhængige af en galakses hældning. Spredningen aftager med signal/støj-forholdet (SNR), og opnår værdier under 0.007 for SNR > 100. Disse resultater med kunstig intelligens lover godt for de planlagte kortlægninger af universets storskalastruktur.

Photometric redshifts from SDSS images using a Convolutional Neural Network

We developed a Deep Convolutional Neural Network (CNN), used as a classifier, to estimate photometric redshifts and associated probability distribution functions (PDF) for galaxies in the Main Galaxy Sample of the Sloan Digital Sky Survey at z < 0.4. Our method exploits all the information present in the images without any feature extraction. The input data consist of 64×64 pixel ugriz images centered on the spectroscopic targets, plus the galactic reddening value on the line-of-sight. For training sets of 100k objects or more (≥ 20% of the database), we reach a dispersion σ_MAD<0.01, significantly lower than the current best one obtained from another machine learning technique on the same sample. The bias is lower than 0.0001, independent of photometric redshift. The PDFs are shown to have very good predictive power. We also find that the CNN redshifts are unbiased with respect to galaxy inclination, and that σ_MAD decreases with the signal-to-noise ratio (SNR), achieving values below 0.007 for SNR >100, as in the deep stacked region of Stripe 82. We argue that for most galaxies the precision is limited by the SNR of SDSS images rather than by the method. The success of this experiment at low redshift opens promising perspectives for upcoming surveys.

 

[Forfatter]

Indlæg