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]. Ещё одной интересной возможностью применения таких работ является способ таким образом найти объекты, которые трудно поддаются классификации, соответственно, могут принадлежать к новым, неизученным типам галактик.[[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.IM]C., 2020, Astronomy and Computing, 30, 100334</ref>]]<br>

Метод опорных векторов также Машинное обучение может быть использован использовано для классификации<ref>''Qu, M., Shih, F.Y., Jing, J. et al.'' Automatic Detection and Classification of Coronal Mass Ejections. Sol Phys 237, 419–431 (2006)</ref> [https://ru.wikipedia.comorg/wiki/Корональные_выбросы_массы корональных выбросов массы]на Солнце, определения их силы, источника и направления . Метод состоит в выборке определенного набора параметров выброса по данным спектрометрического коронографа [https://en.wikipedia.org/wiki/Large_Angle_and_Spectrometric_Coronagraph LASCO], или для классификации звезд а затем применения к этим данным метода опорных векторов. В таблице ниже приведены признаки корональных выбросов массы, на которых обучается алгоритм. Здесь <tex dpi="130">A</tex> и галактик <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 (возможности отличать первые от вторыхarcsecs 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 <reftex 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 <tex dpi="130">Kov ́acs, A.</tex>|-| 19 || The speed which is computed using <tex dpi="130">h_1</tex>, & Szapudidivided 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, I. 2015так как корональные выбросы массы могут прерывать радиопередачу, MNRASнаносить повреждения спутникам и линиям электропередачи, 448если они направлены в сторону Земли и имеют достаточную скорость и объем,1305чтобы достичь ее атмосферы<ref>https://en.wikipedia.org/wiki/Coronal_mass_ejection</ref>.

=== Изучение астрономических параметров ======= Cлучайные леса Красное смещение ====[[Файл:Galaxy star featuresDistanceByRedshift.png|300px|thumb|right|Список признаков объекта, использующийся в классификации звезд и галактикЗависимость расстояния от красного смещения]][[ Дерево решений и случайный лес | Случайные леса ]https://ru.wikipedia.org/wiki/Красное_смещение Красное смещение] (англ. ''random forestredshift'') используются для решения задач классификации и регрессии{{---}} астрономическое явление изменения длины волны наблюдаемого объекта. В пример можно привести следующие исследования:* Определение Важным свойством величины красного смещения по изображению<ref>Carlilesявляется то, S.что через него, Budav ́ariпользуясь законом Хаббла, T., Heinis, S., Priebe, C., &Szalay, A. S. 2010, ApJ, 712, 511</ref>* Классификация<ref>Bloom, J. S., Richards, J. Wможно высчитать примерное расстояние до объекта.Соответственно, Nugentкрасное смещение является важным астрономическим параметром, P. E., et al.2012, PASP, 124, 1175</ref> кратковременных астрономических событий и [https://ru.wikipedia.org/wiki/Переменная_звезда переменных звезд]* Классификация звезд и галактик<ref>Miller, A. A., Kulkarni, Mпри исследовании некоторых объектов будет полезным знать эту величину для вычисления других признаков объекта или заключения выводов о каких-либо закономерностях в наличествующих данных. K., Cao, Y., et al.2017, AJ, 153, 73</ref>

==== Нейронные сети ====[[ Нейронные сетиКрасное 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, перцептрон | Нейронные сети ]] пользуясь цветовыми характеристиками и яркостью объекта (англ. ''Artificial neural networks, ANNphotometric redshift'') используются для решения задач классификации и регрессии. В пример можно привести следующие исследования:* Определение Задачу нахождения величины [https://en.wikipedia.org/wiki/Photometric_redshift фотометрического красного смещения] галактикможно переформулировать как задачу регрессии на соответствующих данных. Для решения такой задачи на популярных астрономических данных может быть использовано множество известных моделей машинного обучения, к примеру, случайные леса<ref>VanzellaCarliles, ES., CristianiBudav ́ari, ST., FontanaHeinis, AS., et alPriebe, C.2004, A&Szalay, A. S. 2010, ApJ, 423712, 761511 </ref>* Классификация галактик, нейронные сети<ref>BanerjiVanzella, ME., LahavCristiani, OS., LintottFontana, C. JA., et al. 20102004,MNRASA&A, 406423, 342761 </ref>* Измерение и идеи [[https://astrobites.org/2014/09/30/measuring-galaxy-star-formation/ скорости звездообразованияВиды ансамблей#Бэггинг | композиции нескольких моделей]] галактик<ref>Ellison, SA. D’Isanto and K. L.Polsterer, TeimooriniaA&A, H609 (2018) A111</ref>.В настоящее время существуют алгоритмы, основанные на [[Сверточные нейронные сети | сверточных нейронных сетях]], по предсказаниям которых можно восстановить расстояния до галактик, отличающихся от расстояний, Rosarioвычисленных при помощи значений спектроскопического красного смещения, Dна несколько мегапарсек<ref>M. Shuntov, J.Pasquet, &MendelS. Arnouts, JO. TIlbert, M. 2016Treyer, MNRASE. Bertin, 458S. de la Torre, L34</ref>* Классификация<ref>MahabalY. Dubois, AD., ShethFouchez, K.Kraljic, GiesekeC. Laigle, FC., et alPichon and D. 2017Vibert,ArXiv e-printsA&A, arXiv:1709.06257636 (2020) A90</ref> различных видов , что является высокой точностью в астрономических масштабах (примерно 10 процентов от среднего размера [https://ru.wikipedia.org/wiki/Кривая_блеска кривых блескаВойд войда]* Определения и классификация стадий астрономических феноменов галактик <ref>Huertas-Company, M., Primack, J. R., Dekel, A.,et al. 2018, ApJ, 858, 114</ref>)

=== [[Общие понятия#Классификация задач машинного обучения | Обучение без учителя ]] = Кривые блеска ====Алгоритмы обучения без учителя применительно к астрономии имеют особое значение для научных исследований, поскольку они могут быть использованы для извлечения новых знаний из существующих наборов данных и могут способствовать новым открытиям.

==== Случайные леса ====Случайные леса могут быть использованы для определения некоей меры схожести объектов без меток<ref>Shi, T[https://ru.wikipedia.org/wiki/Кривая_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, & Horvathв частности, S. 2006период обращения, Journal ofComputational and Graphical Statisticsпродолжительность затмения, 15отношение радиуса звезды к радиусу орбиты тела. Соответственно, 118</ref>разделение кривых блеска на типы позволяет лучше изучить структуры астрономических систем.Чтобы перейти от задачи обучения без учителя к задаче обучения с учителем,которую можно решать с помощью случайного леса, применяется следующая идея:

Классифицировать кривые блеска можно при помощи [[Сверточные нейронные сети | сверточных нейронных сетей]]<ref>Mahabal, A., Sheth, K., Gieseke, F., et al. 2017,ArXiv e-prints, arXiv:1709.06257</ref>. Для этого необходимо представить функцию блеска в виде объекта, на котором можно обучать алгоритм, к примеру, в виде изображения. Это преобразование проводится следующим образом:# Пусть набор данных имеет вид таблицы Для каждых двух точек кривой блеска <tex>N \cdot M(t_1, m_1), (t_2, m_2)</tex>, где каждая строка представляет объект с <tex>Mt_i</tex> {{---}} момент времени, <tex>m_i</tex> {{---}} значение звездной величины, <tex>t_2 - t_1 = k * T</tex> признаками. Построим другую матрицу размера , где <tex>k \in \mathbb{N \cdot M}</tex>, <tex>T</tex>{{---}} некий временной интервал, пара значений <tex>(t_2 - t_1, где значениями каждого столбца будет выборка из частного распределения соответствующего признака m_2 - m_1)</tex> помещается в исходном наборе данныхмассив. Такая матрица называется синтетическим набором данных # Полученные величины <tex>(англ\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]</tex>,<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. ''synhtetic dataset'')5,5. Альтернативным вариантом построения такой матрицы является случайная перестановка каждого столбца исходной матрицы5,7,10,20,30,60,90,120,240,600,960,2000,4000]</tex>, тем самым перемещаясь в пространство <tex>23 * 24</tex>.# Пометим каждый объект исходного набора данных как принадлежащий классу Строится изображение размера <tex>A23 * 24</tex>, а каждый объект синтетического набора данных как принадлежащий классу где интенсивность каждого пикселя пропорциональна количеству соответствующего элемента <tex>B(\Delta t, \Delta m)</tex>в полученном выше массиве. Обучим случайный лес После этого на этой выборкеполученных 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]]

На этом этапе случайный лес способен определять наличие ковариации=== Изучение астрономических явлений======= Кратковременные астрономические явления ====Ввиду невозможности круглосуточно наблюдать за данными, ведь она присутствует только в исходном наборе данныхпоступающими с телескопов, вполне вероятной является возможность пропустить или не заметить появление сверхновой или активность [https://ru.wikipedia.org/wiki/Переменная_звезда переменной звезды]. Как следствие, самыми важными признаками объектов будут являться признаки, имеющие корреляцию с другими. Расстояние между объектами определяется следующим образом:Каждая пара объектов передается во все решающие деревья случайного леса, и их схожесть описывается как количество деревьев, которые классифицировали оба объекта как принадлежащие классу <tex>A</tex>естественной целью оказывается обработка таких событий круглосуточно, причем оба объекта должны достигнуть одного и того же листа в деревеавтоматическом режиме.

Таким методом можно пользоватьсяДля классификации астрономических явлений необходимо иметь данные о каком-то участке неба на протяжении какого-то времени. Существуют два подхода, напримерсвязанные с обработкой последовательностей изображений неба, для нахождения в больших объемах данных объектовсвязанные с машинным обучением:* Закодировать изменения во времени при помощи признаков искусственного объекта, не похожих после чего можно обучить классификатор на большинство другихтаких объектах, для отдельного их изученияи результаты получать путем кодирования данных в объекты такого же типа. В частностиКлассификатор может быть любым, к примеру, с помощью такого алгоритма можно найти необычные типы галактик.использовать случайный лес<ref>BaronBloom, J. S., Richards, DJ. W., & PoznanskiNugent, P. E., Det al. 20172012, MNRASPASP, 465124,45301175</ref>.* Использовать алгоритмы, способные обрабатывать последовательности объектов, например, [[ Рекуррентные нейронные сети | рекуррентные нейронные сети]], или, в частности, [[ Долгая краткосрочная память | LSTM]]<ref>Sadeh, I., ArXiv e-prints, arXiv: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]]

==== KАстрономические феномены====Нейронные сети можно использовать для определения и классификация стадий астрономических феноменов галактик <ref>Huertas-Company, M., Primack, J. R., Dekel, A.,et al. 2018, ApJ, 858, 114</ref>, связанных со звездообразованием в них. Особенностью таких задач является необходимость генерировать для них искусственные наборы объектов для обучения ввиду недостаточного количества наблюдаемых феноменов такого типа в реальных данных. === Обучение без учителя ===Алгоритмы [[Общие понятия#Классификация задач машинного обучения | обучения без учителя ]] применительно к астрономии имеют особое значение для научных исследований, поскольку они могут быть использованы для извлечения новых знаний из существующих наборов данных и могут способствовать новым открытиям. ====Классификация гамма-means всплесков====Понятно[[Файл:grb.jpg|300px|thumb|right|Художественное изображение гамма-всплеска]][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, что классические 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 также могут быть применены ]]. 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. 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. ====Изучение данных====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>