مقاله فعال کردن کشف بدون نظارت در تصاویر نجومی از طریق بازنمودهای خودنظارتی

چکیده

Unsupervised learning, a branch of machine learning that can operate on unlabelled data, has proven to be a powerful tool for data exploration and discovery in astronomy. As large surveys and new telescopes drive a rapid increase in data size and richness, these techniques offer the promise of discovering new classes of objects and of efficient sorting of data into similar types. However, unsupervised learning techniques generally require feature extraction to derive simple but informative representations of images. In this paper, we explore the use of self-supervised deep learning as a method of automated representation learning. We apply the algorithm Bootstrap Your Own Latent (BYOL) to Galaxy Zoo DECaLS images to obtain a lower dimensional representation of each galaxy. We briefly validate these features using a small supervised classification problem. We then move on to apply an automated clustering algorithm, demonstrating that this fully unsupervised approach is able to successfully group together galaxies with similar morphology. The same features prove useful for anomaly detection, where we use the framework astronomaly to search for merger candidates. Finally, we explore the versatility of this technique by applying the exact same approach to a small radio galaxy dataset. This work aims to demonstrate that applying deep representation learning is key to unlocking the potential of unsupervised discovery in future datasets from telescopes such as the Vera C. Rubin Observatory and the Square Kilometre Array.

چکیده به فارسی (ترجمه ماشینی)

یادگیری بدون نظارت ، شاخه ای از یادگیری ماشین که می تواند بر روی داده های بدون نمایش کار کند ، ثابت شده است که ابزاری قدرتمند برای اکتشاف و کشف داده ها در نجوم است.از آنجا که نظرسنجی های بزرگ و تلسکوپ های جدید باعث افزایش سریع در اندازه و غنای داده ها می شوند ، این تکنیک ها نوید کشف کلاسهای جدید از اشیاء و مرتب سازی کارآمد داده ها را در انواع مشابه ارائه می دهند.با این حال ، تکنیک های یادگیری بدون نظارت به طور کلی نیاز به استخراج ویژگی ها برای به دست آوردن بازنمایی های ساده اما آموزنده از تصاویر دارند.در این مقاله ، ما استفاده از یادگیری عمیق خود خود را به عنوان روشی برای یادگیری خودکار بازنمایی بررسی می کنیم.ما الگوریتم bootstrap خود را در تصاویر نهفته خود (BYOL) در تصاویر دکوراسیون باغ وحش کهکشان اعمال می کنیم تا نمای بعدی پایین تر از هر کهکشان را بدست آوریم.ما به طور خلاصه این ویژگی ها را با استفاده از یک مشکل طبقه بندی نظارت شده کوچک تأیید می کنیم.سپس ما به استفاده از یک الگوریتم خوشه بندی خودکار حرکت می کنیم ، نشان می دهد که این رویکرد کاملاً بدون نظارت قادر است که با موفقیت را کهکشان ها با مورفولوژی مشابه با هم گروه بندی کند.همین ویژگی ها برای تشخیص ناهنجاری مفید است ، جایی که ما از چارچوب نجوم برای جستجوی نامزدهای ادغام استفاده می کنیم.سرانجام ، ما با استفاده از همان رویکرد دقیقاً به یک مجموعه داده کوچک کهکشان رادیویی کوچک ، تطبیق پذیری این تکنیک را کشف می کنیم.این کار نشان می دهد که استفاده از یادگیری عمیق برای باز کردن پتانسیل کشف بدون نظارت در مجموعه داده های آینده از تلسکوپ هایی مانند رصدخانه ورا C. روبین و آرایه کیلومتر مربع مهم است.