AI助天文学家寻找星系:像素尺度分析,误报率仅0.09%

2020-05-29 12:04

最近,加州大学圣克鲁兹分校的研讨人员开发了一款名为“墨凯发app菲斯”的深度学习模型,能够对地理图画数据进行像素级剖析,辨认并分类一切的星系和恒星。这项研讨成果宣布在5月12日的《天体物理学杂志增刊》。

据论文介绍,在处理天空某一区域的图画时,“墨菲斯”会生成一副新的图画。图中,算法模型依据形状对天体进行色彩编码,将其与布景别离,辨认出恒星和不同类型的星系。

准确率方面,论文指出,相对于哈勃太空望远镜的CANDELS项目和3D-HST方案供给的分类目录而言,“墨菲斯”模型的假阳性率仅约为0.09%。假阳性率即实践非天体,但被辨认为天体的百分比。

“墨菲斯”对天体进行形状分类后生成的五颜六色组成图。

上述论文的两位一起作者之一、加州大学圣克鲁斯分校核算天体物理学研讨组负责人、地理学教授布兰特?罗伯逊介绍,跟着地理学数据集规划的敏捷扩展,传统意义上由地理学家完结的使命需求变得主动化。

他表明,“作为人类,有些作业咱们底子做不到。因而有必要想办法用核算机来处理未来几年内大型地理学项目搜集的很多数据”。

以正在智利建造的大型归纳巡天望远镜LSST为例,该项目完工后将用32亿像素的相机每晚拍照800幅全景图画,每周记载天空2次。此类大型地理项目所发生的巨大数据量现已远远超出了地理学家的剖析才能。

事实上,现已有地理学家凭借深度学习对星系进行分类,但一般运用现成的图画辨认算法,需求预先进行额定的数据收拾作业。“墨菲斯”的不同点在于,它为处理地理图画数据而生,地理学家能够用规范数字文件格局输入原始图画数据。

“墨菲斯”运用的图画切割和反组成进程。

“墨菲斯”的另一大优势是像素级分类。布兰特?罗伯逊介绍,在运用其他模型时,地理学家有必要首要知道图画中含有某些内容,然后再向模型供给图画,模型随后对整个星系进行分类;但“墨菲斯”能够协助地理学家发现星系,并且是以像素为单位,逐个进行剖析。这一特性赋予了“墨菲斯”处理杂乱图画的才能。

“墨菲斯”对GOODS-South Field部分的分类成果。

与其他大型深度学习模型的练习进程相似,研讨人员向模型“投喂”了很多学习材料。主要是哈勃太空望远镜供给的CANDELS巡天观测材料,由数十位专业地理学家进行剖析归类,一共分成约10000个星系类目。

“墨菲斯”的神经网络架构。

“墨菲斯”进行主动形状分化的比如。

学习之后,研讨人员将“墨菲斯”使用到了迄今最完好最全面的世界图谱——“哈勃遗产场”傍边。该世界相片由哈勃太空望远镜在16年间拍照的7500张星空相片拼接而成,包含约265000个星系。

为协助深度学习模型快速完结对整个数据集的逐像素剖析,研讨人员为其装备了加州大学圣克鲁斯分校的超级核算机“lux”。该超算由美国国家科学基金会拨款154.7万美元建成,使用规模包含天体物理学和气候科学。


点赞: