Avançando a Classificação de Estrelas e Galáxias com IA

Quando os astrônomos olham para o céu à noite, eles veem uma mistura de estrelas e galáxias. Distinguir esses dois tipos de objetos celestes pode ser complicado, especialmente com métodos tradicionais que analisam Dados de catálogos anteriores. Essas técnicas mais antigas costumam levar a erros, porque se baseiam muito em características específicas, como forma e brilho, que podem ser enganosas. Classificações erradas podem acontecer, principalmente com galáxias fracas que podem parecer estrelas. Por isso, precisamos de um jeito melhor de classificar esses objetos-um que funcione direto das Imagens capturadas pelos telescópios.

Essa pesquisa tem como objetivo desenvolver um novo sistema para ajudar os astrônomos a identificar e classificar estrelas e galáxias a partir de imagens astronômicas. O novo sistema usa um tipo de inteligência artificial chamada rede neural convolucional (CNN), combinada com informações adicionais sobre onde o objeto aparece na imagem. Isso permitirá classificar os objetos de forma mais precisa, mesmo quando estão perto do limite de detecção.

#O Desafio

Métodos tradicionais de Classificação costumam focar em catálogos que resumem as principais características de estrelas e galáxias. No entanto, esses métodos podem introduzir erros porque não consideram as imagens reais. Por exemplo, algumas galáxias podem não parecer extensas o suficiente em suas imagens, enquanto estrelas fracas podem ser confundidas com galáxias. Quando isso acontece, a classificação se torna não confiável.

À medida que pesquisas astronômicas continuam a coletar grandes quantidades de dados, os métodos existentes não são suficientes. Por exemplo, novos detectores podem capturar imagens muito mais rápido do que antes, resultando em grandes conjuntos de dados que precisam ser processados. Essa situação exige novas ferramentas e técnicas que consigam lidar com esses dados de forma mais eficaz.

#O Sistema Proposto: AutoSourceID-Classifier (ASID-C)

Para enfrentar esses problemas, criamos o AutoSourceID-Classifier (ASID-C). Essa ferramenta pega pequenas imagens de estrelas e galáxias e as classifica como uma ou outra. Nós a desenvolvemos para melhorar a precisão da classificação, especialmente para objetos com uma relação sinal-ruído (S/N) baixa.

O ASID-C usa pequenas imagens recortadas de 32x32 pixels tiradas das imagens maiores coletadas pelos telescópios. Essas pequenas imagens facilitam para o sistema reconhecer padrões e características que distinguem estrelas de galáxias. O sistema utiliza uma CNN para analisar e aprender as características nesses recortes. Após o processamento das imagens, usamos um método para garantir que as probabilidades fornecidas pela rede sejam precisas e confiáveis.

#Coleta de Dados

Para este estudo, coletamos dados do telescópio MeerLICHT e combinamos com o Dark Energy Camera Legacy Survey (DECaLS). Esse conjunto de dados é notável porque contém cerca de 12 milhões de recortes de fonte, potencialmente o maior conjunto de dados especificamente para classificação de estrelas e galáxias usando aprendizado de máquina.

O telescópio MeerLICHT captura imagens com um amplo campo de visão e pode fazer observações simultâneas em diferentes comprimentos de onda. O projeto DECaLS oferece imagens de alta qualidade que incluem informações sobre as formas e estruturas dos objetos celestes.

Para criar nosso conjunto de dados, identificamos imagens adequadas do telescópio MeerLICHT e classificamos as fontes em estrelas e galáxias usando o DECaLS. Também fizemos uma verificação cruzada dessas classificações com outros catálogos para garantir precisão.

#Processamento de Dados

Assim que juntamos as imagens, processamos em recortes menores, garantindo que a fonte estivesse centralizada. Esse processo nos ajudou a focar nas características importantes de cada objeto. Depois, dividimos os dados em diferentes subconjuntos para treinamento, validação, teste e calibração, considerando o desequilíbrio de estrelas em relação a galáxias no nosso conjunto de dados.

Para melhorar o desempenho do Modelo, aplicamos técnicas de aumento de dados. Essa abordagem envolveu deslocar as imagens levemente para criar variações sem perder a essência da fonte. Essas variações ajudam o modelo a aprender melhor.

#A Arquitetura da CNN

Nosso modelo, ASID-C, possui uma estrutura em duas ramificações. Uma ramificação processa os dados da imagem, enquanto a outra lida com informações espaciais-especificamente a localização de cada objeto dentro da imagem completa. Essa configuração é vital para melhorar a precisão da classificação, já que a aparência dos objetos pode mudar dependendo de onde estão localizados na imagem.

A CNN usa várias camadas convolucionais para extrair características importantes das imagens antes de aproveitar as informações espaciais para ajustar suas classificações. O modelo então combina essas duas entradas antes de fazer sua previsão final.

#Treinando o Modelo

Treinar o ASID-C envolveu o uso de um método chamado otimizador Adam, que ajuda a ajustar os parâmetros para melhor precisão ao longo do tempo. Aplicamos várias estratégias para garantir que o modelo aprendesse de forma eficaz e não se ajustasse demais aos dados de treinamento.

Para quantificar o desempenho do modelo, usamos várias métricas, incluindo precisão e recall, além da área sob a curva característica de operação do receptor. Isso nos permitiu avaliar quão bem o modelo previa as classes dos objetos.

#Comparação com Métodos Existentes

Comparamos o ASID-C com o SourceExtractor, uma ferramenta amplamente usada na astronomia para propósitos semelhantes. Nossos resultados indicaram que o ASID-C superou o SourceExtractor, especialmente para fontes com S/N baixo. Onde o SourceExtractor tendia a classificar mal os objetos, o ASID-C se mostrou mais confiável.

#Resultados e Avaliação de Desempenho

O modelo ASID-C demonstrou excelente desempenho de classificação em diferentes valores de S/N. Especificamente, ele se destacou em regiões de baixo S/N, onde distinguir entre estrelas e galáxias é particularmente desafiador. As previsões do modelo estavam bem calibradas, o que significa que as probabilidades que ele atribuía a cada classificação estavam em estreita concordância com as observações reais.

Além disso, exploramos o espaço latente do modelo usando uma técnica chamada UMAP. Essa análise forneceu insights sobre como o modelo diferenciava estrelas de galáxias e ilustrou os padrões subjacentes que ele aprendeu durante o treinamento.

#Aplicações do Mundo Real

O ASID-C promete para classificação em tempo real de estrelas e galáxias, que é crucial para astrônomos estudando eventos transitórios como supernovas. Com suas capacidades de processamento rápido, o ASID-C pode ajudar pesquisadores a determinar rapidamente a natureza dos objetos celestes, facilitando observações de acompanhamento.

Além disso, o ASID-C poderia ser adaptado para tarefas mais complexas, como classificar galáxias com base em suas formas. Ao adicionar dados mais detalhados ao processo de treinamento, o modelo poderia aprender a reconhecer diferentes tipos de galáxias, expandindo sua utilidade.

#Direções Futuras

Enquanto nossa pesquisa atual focou em dados ópticos, o ASID-C poderia ser adaptado para trabalhar com outros tipos de dados astronômicos, como infravermelho ou rádio. Essa versatilidade aumentaria a precisão da classificação ao fornecer uma visão mais completa dos objetos celestes.

Em conclusão, o sistema ASID-C representa uma melhoria significativa na classificação de estrelas e galáxias. Sua capacidade de analisar e classificar com alta precisão o torna uma ferramenta valiosa para astrônomos. À medida que continuamos a aprimorar e desenvolver esse modelo, ele tem o potencial de abrir novas portas para pesquisa e descoberta no campo da astronomia.