Изменения

Астрономия переживает стремительный рост объема и сложности данных. Существует множество проектов, исследующих и собирающих многоспектральные изображения неба, разновременную и многоволновую информацию, например, [https://www.sdss.org/ Слоановский цифровой небесный обзор] (англ. ''Sloan Digital Sky Survey, SDSS]''). Такие проекты предоставляют оцифрованные изображения неба, соответственно, в последние годы алгоритмы машинного обучения становятся все более популярными среди астрономов и в настоящее время используются для решения самых разнообразных задач; причиной этому служит большое количество доступных данных. В этой статье кратко приводится практическая информация о применении инструментов машинного обучения к астрономическим данным.

Одной из самых популярных тем классификации является морфологическая классификация галактик(англ. ''Morphology galaxy classification''), позволяющая разделить их на различные типы по визуальным признакам. Для обучения моделей, призванных решать эту задачу, часто используют набор данных [https://data.galaxyzoo.org/ Galaxy Zoo], который является результатом волонтерского сотрудничества (ручной классификации галактик). Существует множество работ на эту тематику, использующих различные алгоритмы машинного обучения, как то: [[ Дерево решений и случайный лес | случайные леса]]<ref>https://arxivBaron, D.org/pdf/1611, & Poznanski, D.07526.pdf2017, MNRAS, 465,4530</ref>, [[ Метод_опорных_векторов_(SVM) | метод опорных векторов]]<ref> Huertas-Company, M., Rouan, D., Tasca, L.,Soucail, G., & Le F`evre, O. 2008, A&A, 478,971 </ref>, [[ Нейронные сети, перцептрон | нейронные сети]]<ref> Banerji, M., Lahav, O., Lintott, C. J., et al. 2010,MNRAS, 406, 342 </ref>. Применение подходов машинного обучения в этом случае довольно прямолинейно, а разница между работами состоит в основном в представлении данных, выборе гиперпараметров и признаков классификации. Дополнительной сложностью вышеприведённых и прочих работ на ту же тему являются визуальные ограничения имеющихся изображений, такие, как мерцание, смещение, размытие и [https://ru.wikipedia.org/wiki/Красное_смещение красное смещение]. В настоящее время существуют методы, обеспечивающие вероятность неверной классификации объекта в задаче морфологической классификации галактик в <tex>0.005</tex><ref>Miller, A. A., Kulkarni, M. K., Cao, Y., et al.2017, AJ, 153, 73</ref>.

Этой задачей следует заниматься, так как возможность находить тип галактик необходима для изучения их эволюции, а также является необходимым умением для множества задач наблюдательной космологии (англ. ''Observational cosmology''), например, для нахождения красного смещения и [https://ru.wikipedia.org/wiki/Кривая_блеска кривых блеска]. [[Файл:galaxyClassificationComparison.png|300px700px|thumb|leftcenter|Точность классификации различных алгоритмов на данных Galaxy Zoo<ref>arXiv:1901Barchi, P.H., de Carvalho, R.R., Rosa, R.R., Sautter, R.A., Soares-Santos, M., Marques, B.A.D., Clua, E., Gonçalves, T.S.07047 [astro, de Sá-phFreitas, C., Moura, T.C.IM], 2020, Astronomy and Computing, 30, 100334</ref>]]<br><br><br><br><br><br>

Интересной возможностью некоторых классификаторов является способ В астрономии могут использоваться [[ Дополнения конспектов по машинному обучению#Выявление аномалий с помощью них найти объектыслучайного леса | методы поиска ]] трудно классифицируемых объектов выборки, например, которые трудно поддаются классификациидля нахождения в больших объемах данных объектов, соответственноне похожих на большинство других, могут принадлежать к новымдля отдельного их изучения. В частности, неизученным типам с помощью такого алгоритма можно найти необычные типы галактик<ref>Baron, D., & Poznanski, D. Рассмотрим в качестве примера случайные леса2017, MNRAS, 465,4530</ref>.

Случайные леса могут быть использованы для определения некоей меры схожести объектов без меток====Классификация звезд и галактик====[[Файл:Unsupervised galaxy star classification.png|300px|thumb|right|Распределение звезд, галактик и квазаров согласно меткам спектрометрических классов]]Классификация звезд и галактик (англ. ''Star Galaxy Classification'') является базовым шагом любой классификации на звездах или галактиках, соответственно, имеет большое практическое значение. Существует много работ на эту тему, связанных с машинным обучением, использующих различные алгоритмы: случайный лес<ref>Miller, A. A., Kulkarni, M. K., Cao, Y., et al.2017, AJ, 153, 73</ref>Shi, Tметод опорных векторов<ref>Kov ́acs, A., & HorvathSzapudi, SI. 20062015, Journal ofComputational and Graphical StatisticsMNRAS, 15448, 1181305</ref>, нейронные сети<ref>Noble Kennamer, David Kirkby, Alexander Ihler, Francisco Javier Sanchez-Lopez ; Proceedings of the 35th International Conference on Machine Learning, PMLR 80:2582-2590, 2018.Чтобы перейти от задачи обучения без учителя к задаче обучения с учителем</ref>,которую можно решать с помощью случайного лесаалгоритмы кластеризации<ref>C. H. A. Logan and S. FotopoulouA&A, применяется следующая идея:633 (2020) A154</ref>.

# Пусть набор данных имеет вид таблицы <tex>N \cdot M</tex>Главная проблема классификации звезд и галактик состоит в том, что, по мере удаления объекта от телескопа различные атмосферные или космогенные эффекты могут повлиять на свет, где каждая строка представляет объект который отражается от тела и захватывается телескопом. Детерминированные алгоритмы классификации обычно проверяют звездную величину объекта на соответствие известным шаблонам звезд и галактик и работают только с <tex>M</tex> признакамиобъектом как таковым. Построим другую матрицу размера <tex>N \cdot M</tex>В то же время кажется логичным, что результат классификации объекта может зависеть не только от того, как он выглядит на изображении, но и от того, как выглядит на изображении участок неба, где значениями каждого столбца будет выборка из частного распределения соответствующего признака в исходном наборе данных. Такая матрица называется синтетическим набором данных котором он находится (англ. ''synhtetic dataset''потому что на этот участок, скорее всего, влияют такие же эффекты искажения изображения). Альтернативным вариантом построения такой матрицы является случайная перестановка каждого столбца исходной матрицы.# Пометим каждый объект исходного набора данных как принадлежащий классу <tex>A</tex>Алгоритмы машинного обучения, а каждый объект синтетического набора данных как принадлежащий классу <tex>B</tex>. Обучим случайный лес натренированные на этой выборкеизображениях, способны учесть эти зависимости.

На этом этапе случайный лес способен определять наличие ковариации=== Анализ астрономических явлений по спектральным данным======= Классификация корональных выбросов массы====Машинное обучение может быть использовано для классификации<ref>''Qu, M., Shih, ведь она присутствует только в исходном наборе данныхF.Y. Как следствие, самыми важными признаками объектов будут являться признакиJing, имеющие корреляцию с другимиJ. et al.'' Automatic Detection and Classification of Coronal Mass Ejections. Расстояние между объектами определяется следующим образомSol Phys 237, 419–431 (2006)</ref> [https:Каждая пара объектов передается во все решающие деревья случайного леса//ru.wikipedia.org/wiki/Корональные_выбросы_массы корональных выбросов массы] на Солнце, определения их силы, источника и их схожесть описывается как количество деревьевнаправления. Метод состоит в выборке определенного набора параметров выброса по данным спектрометрического коронографа [https://en.wikipedia.org/wiki/Large_Angle_and_Spectrometric_Coronagraph LASCO], а затем применения к этим данным метода опорных векторов. В таблице ниже приведены признаки корональных выбросов массы, которые классифицировали оба объекта как принадлежащие классу на которых обучается алгоритм. Здесь <tex dpi="130">A</tex> и <tex dpi="130">A_p</tex> {{---}} области исследуемых изображений.{| class="wikitable"|+ The properties of a CME region! No. || Description of the CME properties|-| 1 || The exposure time of the <tex dpi="130">LASCO </tex> image|-| 2 || The time interval between the current and the previous image|-| 3 || The pixel size of the LASCO image|-| 4 || The mean brightness value of the reference image|-| 5 || The mean brightness value of the current image|-| 6 || The mean brightness value of the running difference|-| 7 || The standard deviation of the running difference|-| 8 || The number of pixels for <tex dpi="130">A</tex>|-| 9 || The threshold for segmentingAfrom the running difference|-| 10 || The maximum height (arcsecs from disk center) of <tex dpi="130">A</tex>|-| 11 || The height of the center of <tex dpi="130">A</tex>|-| 12 || The minimum height of <tex dpi="130">A</tex>|-| 13 || The starting angle of <tex dpi="130">A</tex>. The angle is calculated from North 0 clockwise|-| 14 || The angle of the center of <tex dpi="130">A</tex>|- | 15 || The ending angle of <tex dpi="130">A</tex>|-| 16 || The angular width of <tex dpi="130">A</tex>|-| 17 || The height difference (<tex dpi="130">h_1</tex>) between the maximum height of <tex dpi="130">A</tex> and <tex dpi="130">A_p</tex>|-| 18 || The height of the new moving region (<tex dpi="130">h_2</tex>) which is obtained by subtracting <tex dpi="130">A_p</tex> from <texdpi="130">A</tex>|-| 19 || The speed which is computed using <tex dpi="130">h_1</tex>, divided by the interval time cadence|-| 20 || The speed which is computed using <tex dpi="130">h_2</tex> divided by the interval time cadence|-| 21 || The span width of the new moving region|-| 22 || The center angle of the new moving region|}Работа имеет большое практическое значение, так как корональные выбросы массы могут прерывать радиопередачу, причем оба объекта должны достигнуть одного наносить повреждения спутникам и того же листа линиям электропередачи, если они направлены в деревесторону Земли и имеют достаточную скорость и объем, чтобы достичь ее атмосферы<ref>https://en.wikipedia.org/wiki/Coronal_mass_ejection</ref>.

Таким методом можно пользоваться, например, для нахождения в больших объемах данных объектов=== Изучение астрономических параметров ======= Красное смещение ==== [[Файл:DistanceByRedshift.png|300px|thumb|right|Зависимость расстояния от красного смещения]][https://ru.wikipedia.org/wiki/Красное_смещение Красное смещение] (англ. ''redshift'') {{---}} астрономическое явление изменения длины волны наблюдаемого объекта. Важным свойством величины красного смещения является то, не похожих на большинство другихчто через него, для отдельного их изучения. В частностипользуясь законом Хаббла, с помощью такого алгоритма можно найти необычные типы галактик<ref>Baron, Dвысчитать примерное расстояние до объекта.Соответственно, & Poznanskiкрасное смещение является важным астрономическим параметром, D. 2017, MNRAS, 465,4530</ref>и при исследовании некоторых объектов будет полезным знать эту величину для вычисления других признаков объекта или заключения выводов о каких-либо закономерностях в наличествующих данных.

=== Анализ Красное смещение может быть вычислено при помощи спектральных данных объекта (англ. ''spectroscopic redshift''), однако существуют другие методики, позволяющие в некоторых случаях определить примерную величину смещения по фотографии, пользуясь цветовыми характеристиками и яркостью объекта (англ. ''photometric redshift''). Задачу нахождения величины фотометрического красного смещения можно переформулировать как задачу регрессии на соответствующих данных. Для решения такой задачи на популярных астрономических явлений по спектральным данным======= Классификация корональных выбросов массы====данных может быть использовано множество известных моделей машинного обучения, к примеру, случайные леса<ref> Carliles, S., Budav ́ari, T., Heinis, S., Priebe, C., &Szalay, A. S. 2010, ApJ, 712, 511 </ref>, нейронные сети<ref> Vanzella, E., Cristiani, S., Fontana, A., et al.2004, A&A, 423, 761 </ref> и идеи [[Файл:CoronalMassParamsВиды ансамблей#Бэггинг | композиции нескольких моделей]]<ref>A. D’Isanto and K. L. Polsterer, A&A, 609 (2018) A111</ref>.png|300px|thumbВ настоящее время существуют алгоритмы, основанные на [[Сверточные нейронные сети |right|Признаки, использующиеся для классификации корональных выбросов массысверточных нейронных сетях]]Машинное обучение может быть использовано для классификации, по предсказаниям которых можно восстановить расстояния до галактик, отличающихся от расстояний, вычисленных при помощи значений спектроскопического красного смещения, на несколько мегапарсек<ref>''QuM. Shuntov, J. Pasquet, S. Arnouts, O. Ilbert, M.Treyer, ShihE. Bertin, FS.de la Torre, Y.Dubois, D. Fouchez, JingK. Kraljic, JC. et alLaigle, C.'' Automatic Detection Pichon and Classification of Coronal Mass EjectionsD. Sol Phys 237Vibert, 419–431 A&A, 636 (20062020)A90</ref> , что является высокой точностью в астрономических масштабах (примерно 10 процентов от среднего размера [https://ru.wikipedia.comorg/wiki/Корональные_выбросы_массы корональных выбросов массыВойд войда], определения их силы, источника и направления. Метод состоит в выборке определенного набора параметров выброса по данным спектрометрического коронографа ) ==== Кривые блеска ==== [https://enru.wikipedia.org/wiki/Large_Angle_and_Spectrometric_Coronagraph LASCOКривая_блеска Кривая блеска](англ. ''light curve'') {{---}} функция изменения звездной величины (в базовом понимании яркости) во времени. Кривая блеска позволяет определить целый ряд физических свойств тела, в частности, период обращения, продолжительность затмения, а затем применения отношение радиуса звезды к этим данным метода опорных вектороврадиусу орбиты тела. Соответственно, разделение кривых блеска на типы позволяет лучше изучить структуры астрономических систем.

Работа имеет большое практическое значениеКлассифицировать кривые блеска можно при помощи [[Сверточные нейронные сети | сверточных нейронных сетей]]<ref>Mahabal, A., Sheth, K., Gieseke, так как корональные выбросы массы могут прерывать радиопередачуF., наносить повреждения спутникам и линиям электропередачиet al. 2017, если они направлены в сторону Земли и имеют достаточную скорость и объемArXiv e-prints, чтобы достичь ее атмосферыarXiv:1709.06257</ref>https. Для этого необходимо представить функцию блеска в виде объекта, на котором можно обучать алгоритм, к примеру, в виде изображения. Это преобразование проводится следующим образом:# Для каждых двух точек кривой блеска <tex>(t_1, m_1), (t_2, m_2)</tex>, где <tex>t_i</tex> {{---}} момент времени, <tex>m_i</tex> {{---}} значение звездной величины, <tex>t_2 - t_1 = k * T</tex>, где <tex>k \in \mathbb{N}</tex>, <tex>T</tex> {{---}} некий временной интервал, пара значений <tex>(t_2 - t_1, m_2 - m_1)</tex> помещается в массив.# Полученные величины <tex>(\Delta t, \Delta m)</tex> округляются до ближайших из значений <tex>\delta m=\pm[0,0.1,0.2,0.3,0.5,1,1.5,2,2.5,3,5,8]</entex>,<br><tex>\delta t=[\frac{1}{145},\frac{2}{145},\frac{3}{145},\frac{4}{145},\frac{1}{25},\frac{2}{25},\frac{3}{25},1.5,2.5,3.5,4.wikipedia5,5.org5,7,10,20,30,60,90,120,240,600,960,2000,4000]</wikitex>, тем самым перемещаясь в пространство <tex>23 * 24</Coronal_mass_ejectiontex>.# Строится изображение размера <tex>23 * 24</reftex>, где интенсивность каждого пикселя пропорциональна количеству соответствующего элемента <tex>(\Delta t, \Delta m)</tex>в полученном выше массиве.После этого на полученных изображениях обучается сверточная нейронная сеть, которая может классифицировать тип кривой блеска с точностью 84.5%.[[Файл:PenelopeLightCurve.png|300px|thumb|left|Кривая блеска астероида Пенелопа]][[Файл:LightCurveImage.png|300px|thumb|right|Изображения для обучения сверточной нейронной сети]][[Файл:DmDtCurveMapping.png|300px|thumb|center|Преобразование кривой блеска в множество точек на плоскости]]

==== heading ====Для классификации астрономических явлений необходимо иметь данные о каком-то участке неба на протяжении какого-то времени. Существуют два подхода, связанные с обработкой последовательностей изображений неба, связанные с машинным обучением:или для классификации звезд * Закодировать изменения во времени при помощи признаков искусственного объекта, после чего можно обучить классификатор на таких объектах, и галактик (возможности отличать первые от вторых)результаты получать путем кодирования данных в объекты такого же типа.Классификатор может быть любым, к примеру, можно использовать случайный лес<ref>Kov ́acsBloom, J. S., Richards, AJ. W., & SzapudiNugent, P. E., et al.2012, PASP, 124, 1175</ref>.* Использовать алгоритмы, способные обрабатывать последовательности объектов, например, [[ Рекуррентные нейронные сети | рекуррентные нейронные сети]], или, в частности, [[ Долгая краткосрочная память | LSTM]]<ref>Sadeh, I. 2015, MNRASArXiv e-prints, 448,1305arXiv:1902.03620</ref>, которые можно обучить на нескольких последовательных результатах измерения излучения участка неба. В вышеупомянутой работе, к примеру, объектами являются данные о гамма-излучении на протяжении 20 временных интервалов.[[Файл:LSTMforTransients.png|600px|thumb|center|Архитектура рекуррентной нейронной сети для классификации кратковременных событий]]

==== Cлучайные леса Астрономические феномены====[[Файл:Galaxy star features.png|300px|thumb|right|Список признаков объекта, использующийся в классификации звезд Нейронные сети можно использовать для определения и классификация стадий астрономических феноменов галактик]][[ Дерево решений и случайный лес | Случайные леса ]] (англ. ''random forest'') используются для решения задач классификации и регрессии. В пример можно привести следующие исследования:* Определение величины красного смещения по изображению<ref>CarlilesHuertas-Company, SM., Budav ́ariPrimack, TJ., Heinis, SR., Priebe, C., &SzalayDekel, A. S. 2010, ApJ, 712, 511</ref>* Классификация<ref>Bloom, J. S., Richards, J. W., Nugent, P. E., et al.20122018, PASPApJ, 124858, 1175114</ref> кратковременных астрономических событий и [https://ru.wikipedia.org/wiki/Переменная_звезда переменных звезд]* Классификация звезд и галактик<ref>Miller, Aсвязанных со звездообразованием в них. A., Kulkarni, M. K., Cao, Y., et alОсобенностью таких задач является необходимость генерировать для них искусственные наборы объектов для обучения ввиду недостаточного количества наблюдаемых феноменов такого типа в реальных данных.2017, AJ, 153, 73</ref>

==== Нейронные сети =Обучение без учителя ===Алгоритмы [[ Нейронные сети, перцептрон Общие понятия#Классификация задач машинного обучения | Нейронные сети обучения без учителя ]] (англ. ''Artificial neural networksприменительно к астрономии имеют особое значение для научных исследований, ANN'') используются поскольку они могут быть использованы для решения задач классификации и регрессии. В пример можно привести следующие исследования:* Определение величины [https://en.wikipedia.org/wiki/Photometric_redshift фотометрического красного смещения] галактик<ref>Vanzella, E., Cristiani, S., Fontana, A., et al.2004, A&A, 423, 761</ref>* Классификация галактик<ref>Banerji, M., Lahav, O., Lintott, C. J., et al. 2010,MNRAS, 406, 342</ref>* Измерение [https://astrobites.org/2014/09/30/measuring-galaxy-star-formation/ скорости звездообразования] галактик<ref>Ellison, S. L., Teimoorinia, H., Rosario, D. J., &Mendel, J. T. 2016, MNRAS, 458, L34</ref>* Классификация<ref>Mahabal, A., Sheth, K., Gieseke, F., et al. 2017,ArXiv e-prints, arXiv:1709.06257</ref> различных видов [https://ru.wikipedia.org/wiki/Кривая_блеска кривых блеска]* Определения извлечения новых знаний из существующих наборов данных и классификация стадий астрономических феноменов галактик <ref>Huertas-Company, M., Primack, J. R., Dekel, A.,et alмогут способствовать новым открытиям. 2018, ApJ, 858, 114</ref>

=== =Классификация гамма-всплесков====[[Общие понятия#Классификация задач машинного обучения Файл:grb.jpg|300px|thumb|right| Обучение без учителя Художественное изображение гамма-всплеска]] ===Алгоритмы обучения без учителя применительно к астрономии имеют особое значение для научных исследований[https://ru.wikipedia.org/wiki/Гамма-всплеск Гамма-всплески] (англ. ''gamma ray bursts'') {{---}} масштабные космические выбросы энергии взрывного характера. На сегодняшний день различают два основных подвида гамма-всплесков: длинные и короткие, поскольку они могут быть использованы для извлечения новых знаний из существующих наборов имеющие существенные различия в спектрах и наблюдательных проявлениях. Однако, многие авторы указывают на наличие третьего их типа с длиной события между длинными и короткими.Для проверки гипотезы о существовании гамма-всплесков можно использовать алгоритмы [[ Кластеризация | кластеризации]]. Достаточно зафиксировать модель, [[Оценка качества в задаче кластеризации | метрику]] и функцию ошибки, и можно будет оценить правдоподобность наличия третьего типа всплесков в каком-либо наборе данных и могут способствовать новым открытиям. Было установлено<ref>Kulkarni, S., Desai, S., Astrophys Space Sci 362, 70 (2017)</ref>, что на данных [https://swift.gsfc.nasa.gov/ SWIFT] допущение наличия третьего типа гамма-всплесков уменьшает ошибку в <tex>2.5</tex> раза.

==== K-means Изучение данных====Понятно, что классические алгоритмы кластеризации также могут быть применены Часто кластеризация применяется к астрономическим даннымдля прогресса в их изучении: Для того, чтобы получить новые знания о данных, необходимо их отсортировать и классифицировать. Так, например, [[ Кластеризация#Метод K-средних (Алгоритм Ллойда) | K-means ]] применяется в астрономии в разных контекстах, например, для изучения спектральных классов звезд, галактик и астероидов, рентгеновского спектра объектов и так далее.<ref>Hojnacki, S. M., Kastner, J. H., Micela, G.,Feigelson, E. D., & LaLonde, S. M. 2007, ApJ,659, 585</ref><ref>Galluccio, L., Michel, O., Bendjoya, P., & Slezak,E. 2008, in American Institute of Physics</ref><ref>Simpson, J. D., Cottrell, P. L., & Worley, C. C.2012, MNRAS, 427, 1153</ref>