Как Skycurtains переопределяет поиск звездных потоков
18 июня 2025 г.Таблица ссылок
Аннотация и 1. Введение
2. Набор данных
3. Метод Skycurtains и 3.1 Countainsf4f
3.2. Обнаружение линии
4. Результаты
4.1. Метрики
4.2. Полное сканирование потока GD-1
5. Заключение, подтверждение, доступность данных и ссылки
Приложение A: Drainainsf4f обучение и сведения о настройке гиперпараметра
А1. Countainsf4f имеет предварительную обработку
A2 Настройка гиперпараметра
5 Заключение
В этой работе мы описали метод Skycurtains, модельный подход, основанный на данных на основе шаблонов, к обнаружению звездных потоков в Млечном пути с использованием данных GAIA DR2. Первоначально разработанный для обнаружения аномалий при физике с высокой энергией, Skycurtains объединяет ряды Via Machinae и Cwola, в поисках звездных потоков, что подчеркивает универсальность этих инструментов в их производительности в разных доменах. Синергизм между физикой высокой энергии, астрофизикой и другими сообществами следует дополнительно поощрять, чтобы определить аналогичные проблемы, которые могут быть решены с использованием тех же инструментов, разработанных в соответствующих областях.
Мы продемонстрировали производительность Skycurtains в потоке GD-1 и его способность идентифицировать линейную чрезмерную плотность в пространстве 𝜙-𝜆, которое соответствует потоку GD-1 с очень высокой чистотой в большинстве пятен. Основным преимуществом Skycurtains является минимальные предположения, которые он делает в отношении базового сигнала, что делает его универсальным инструментом для определения любых локализованных чрезмерных чрезмерностей (потоки, глобулярные кластеры, карликовые галактики) в пространстве функций звезд модельным агностическим образом. В этой работе мы выбрали поток GD-1, поскольку он обеспечивает хороший тестовый пример для Skycurtains и является известным потоком в Млечном пути, где мы показываем, что Skycurtains в настоящее время превосходит другие слабо контролируемые методы машинного обучения, такие как через Machinae и Cwola с точки зрения чистоты более чем на 10%. Для полного сканирования неба для потоков, где местоположения потоков неизвестны, метод должен будет сканировать большее количество 𝜇𝜆. В этом случае обучение двум условным моделям для каждого патча может быть невозможным. Тем не менее, модульность конструкции шага Chounainsf4f позволяет гораздо проще масштабировать. Базовый поток может быть обучен на всем пятнах и замороженных, а затем отдельные верхние потоки могут быть обучены соответствующим областям, представляющим интерес для эффективного масштабирования. Skycurtains создает шаблон, используя корреляции функций с правильными движениями, что приводит к более фоновому репрезентативному шаблону. Это позволяет методу использовать более дискриминационные функции, которые будут использоваться в нижнем потоке
Задача независимо от их корреляции с надлежащими движениями, что в противном случае приведет к предвзятому классификатору и, следовательно, ложным срабатыванию.
Последующая работа будет включать в себя применение Skycurtains в полном поиске неба звездных потоков в Млечном пути и сравнение производительности метода с другими существующими методами. Последний выпуск данных GDR3 из GAIA содержит более 1,8 миллиарда источников с улучшенными астрометрическими и фотометрическими измерениями для значительно большего числа источников по сравнению с GDR2, что обеспечит более подробный взгляд на Млечный путь. Улучшенные измерения радиальных скоростей источников в GDR3 также позволят более подробное изучение кинематики потоков. Улучшения в качестве данных в GDR3, вероятно, еще больше улучшит производительность Skycurtains и, как таковой, является естественным следующим шагом для метода.
Благодарности
Мы хотели бы поблагодарить финансирование через SNSF Sinergia Grant CRSII5_193716 «Надежные модели глубокой плотности для высокоэнергетической физики частиц и анализа солнечной вспышки (Rodem)». Эта работа использовала данные из Миссии Европейского космического агентства (ESA) GAIA (https://www.cosmos.esa.int/ gaia), обработанной консорциумом и анализом данных GAIA (dpac, https://www.cosmos.esa.int/web/gaia/dpac/sortium). Финансирование DPAC было предоставлено национальными учреждениями, в частности, учреждениям, участвующими в многостороннем соглашении GAIA. Вычисления были выполнены в Женевском университете с использованием сервиса Baobab HPC. Особая благодарность Сэмюэлю Кляйн и Кинге Анне Возняк за их вклад во время разработки метода и этой рукописи.
Доступность данных
Skycurtains использует общедоступные данные GDR2. Куратор из 21 патча, используемых в этой работе, доступен наhttps://zenodo.org/records/7897936Полем Метки членства в потоке GD-1 взяты изhttps://zenodo.org/records/1295543Полем
Ссылки
Banik N., Bovy J., 2019, Ежемесячные уведомления Королевского астрономического общества, 484, 2009
Belokurov V., et al., 2006, The Astrophysical Journal, 642, L137 - L140
Бонака А., Хогг Д. У., Прай-Уилан А. М., Конрой С., 2019, Астрофизический журнал, 880, 38
Bonaca A., et al., 2020, Astrophysical Journal Letters, 892, L37
Borsato N.W., Martell S.L., Simpson J.D., 2019, Ежемесячные уведомления Королевского астрономического общества, 492, 1370–1384
Carlberg R.G., 2017, The Astrophysical Journal, 838, 39
Carlberg R.G., Grillmair C.J., Hetherington N., 2012, The Astrophysical Journal, 760, 75
Gaia Collaboration et al., 2018, A & A, 616, A1
Golling T., Klein S., Mastandrea R., Nachman B., Raine J.A., 2023, Phys. Rev. D, 108, 096018
Grillmair C.J., Dionatos O., 2006, The Astrophysical Journal, 643, L17
Хельми А., Уайт С. Д. М., 1999, Ежемесячные уведомления Королевского астрономического общества, 307, 495
Hough P. V., 1962, метод и средства для распознавания сложных закономерностей
Ибата Р., Льюис Г. Ф., Ирвин М., Тоттен Э., Куинн Т., 2001, Астрофизический журнал, 551, 294–311
Ибата Р. и др., 2021, Астрофизический журнал, 914, 123
Johnston K.V., 1998, The Astrophysical Journal, 495, 297–308
Johnston K.V., Zhao H., Spergel D.N., Hernquist L., 1999, The Astrophysical Journal, 512, L109 - L112
Koposov S.E., Rix H.W., Hogg D.W., 2010, The Astrophysical Journal, 712, 260–273
Малхан К., Ибата Р. А., 2018, Ежемесячные уведомления Королевского астрономического общества, 477, 4063–4076
Malhan K., Ibata R.A., Goldman B., Martin N.F., Magnier E., Chambers K., 2018, Ежемесячные уведомления Королевского астрономического общества, 478, 3862–3870
Meingast, Stefan Alves, João 2019, A & A, 621, L3
Meingast, Stefan Alves, João Fürnkranz, Verena 2019, A & A, 622, L13
Metodiev E.M., Nachman B., Thaler J., 2017, Journal of High Energy Physics, 2017
Nachman B., Shih D., 2020, Physical Review D, 101
Necib L., Lisanti M., Garrison-Kimmel S., Wetzel A., Sanderson R., Hopkins P.F., Faucher-Giguère C.-A., KereШ D., 2019, The Astrophysical Journal, 883, 27
Papamakarios G., Nalisnick E., Rezende D.J., Mohamed S., Lakshminarayanan B., 2021, Journal of Machine Learning, 22, 1
Pettee M., Thanvantri S., Nachman B., Shih D., Buckley M.R., Collins J. H., 2023, слабоосложное обнаружение аномалий по Млечному пути (Arxiv: 2305.03761)
Прайс-Уилан А. М., Бонака А., 2018, Астрофизические журнальные буквы, 863, L20
Purcell C. W., Zentner A.R., Wang M.-Y., 2012, Journal of Cosmology and Astroparticle Physics, 2012, 027–027
Рейн Дж. А., Кляйн С., Сенгупта Д., Голлинг Т., 2023, границы в больших данных, 6
Сандерс Дж. Л., Бинни Дж., 2013, Ежемесячные уведомления Королевского астрономического общества, 433, 1813
Sanders J.L., Bovy J., Erkal D., 2016, Ежемесячные уведомления Королевского астрономического общества, 457, 3817–3835
Sengupta D., Klein S., Raine J.A., Golling T., 2023, Шторы потоки для потоков: построение ненаблюдаемых областей с оценкой максимальной вероятности (ARXIV: 2305.04646)
Shih D., Buckley M.R., Necib L., Tamanas J., 2021, Ежемесячные уведомления Королевского астрономического общества, 509, 5992
Shih D., Buckley M.R., Necib L., 2023, Via Machinae 2.0: Full-Sky, ModelAgnostic Search для звездных потоков в Gaia DR2 (Arxiv: 2303.01529)
Варгезе А., Ибата Р., Льюис Г. Ф., 2011, Ежемесячные уведомления Королевского астрономического общества, 417, 198–215
Vera-Casanova A., et al., 2022, Ежемесячные уведомления Королевского астрономического общества, 514, 4898
Yuan Z., Chang J., Banerjee P., Han J., Kang X., Smith M.C., 2018, The Astrophysical Journal, 863, 26
A1 Courtainsf4f имеет предварительную обработку
Первым шагом в обучении модели Chounainsf4f является определение областей SR и SB в 𝜇𝜆. В этой работе мы выбрали SR в данном патче, чтобы гарантировать, что поток GD-1 полностью содержится. Область SB, определяемая как область, прилегающая к SR, выбран как шириной 6 мАС/год. Это обеспечивает достаточную статистику обучения для базы и модели верхнего потока. Особенности, используемые для обучения модели Chounainsf4f, являются: [𝜙, 𝜆, 𝐺, 𝐺bp - 𝐺rp, 𝜇 ∗ 𝜙], а условная особенность равен 𝜇𝜆. Поскольку эти функции имеют разные динамические диапазоны, мы предпочитаем дополнительно масштабировать их, чтобы обеспечить стабильную подготовку модели. Все функции сначала масштабируются, чтобы быть в диапазоне [0, 1]. Функция 𝐺 имеет резкую отсечку на 20,2, что является сложной функцией для генеративных моделей. Чтобы смягчить это, мы применяем преобразование логита к функции 𝐺. Преобразование логита определяется как:
Наконец, все функции масштабируются, чтобы быть в диапазоне [-3, 3].
Данные для базового и высшего обучения потока делятся на наборы обучения и валидации в соотношении 80: 20.
А2 Гиперпараметрическая настройка
Гиперпараметры для базового и верхнего потока перечислены в таблице A1, где было обнаружено, что гиперпараметры для базовых потоков дают надежную производительность независимо от патча и, таким образом, оставались постоянными. Для верхних потоков может быть значительное различие в производительности, связанных с выбором гиперпараметра в зависимости от патча, и поэтому настройка гиперпараметра была выполнена, чтобы найти значения, которые работали хорошо независимо от патча. Как основание, так и верхний поток был ограничен максимальным числом 150 и 100 эпох соответственно. В то время как базовый поток, по -видимому, улучшался с большим количеством эпох, верхний поток сходился гораздо быстрее на 30 - 40 эпох тренировок.
Авторы:
(1) Debajyoti Sengupta, Département de Physique Nucléaire et Corpusculaire, Женевский университет, Швейцария (debajyoti.sengupta@unige.ch);
(2) Стивен Маллиган, департамент De Physique Nucléaire et Corpusculaire, Женевский университет, Швейцария;
(3) Дэвид Ши, NHETC, Департамент физики и астрономии, Рутгерс, Пискатауэй, Нью -Джерси 08854, США;
(4) Джон Эндрю Рейн, Département de Physique Nucléaire et Corpusculaire, Женевский университет, Швейцария;
(5) Тобиас Голлинг, Département de Physique Nucléaire et Corpusculaire, Женевский университет, Швейцария.
Эта статья есть
Оригинал