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 [https://ru.wikipedia.org/wiki/Кривая_блеска кривых блеска]. [[Файл:galaxyClassificationComparison.png|700px|thumb|center|Точность классификации различных алгоритмов на данных Galaxy Zoo<ref>Barchi, P.H., de Carvalho, R.R., Rosa, R.R., Sautter, R.A., Soares-Santos, M., Marques, B.A.D., Clua, E., Gonçalves, T.S., de Sá-Freitas, C., Moura, T.C., 2020, Astronomy and Computing, 30, 100334</ref>]]

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 галактиквысчитать примерное расстояние до объекта.<ref>BaronСоответственно, D.красное смещение является важным астрономическим параметром, & Poznanski, Dи при исследовании некоторых объектов будет полезным знать эту величину для вычисления других признаков объекта или заключения выводов о каких-либо закономерностях в наличествующих данных. 2017, MNRAS, 465,4530</ref>

==== Классификация корональных выбросов массыКривые блеска ====Метод опорных векторов также может быть использован 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.com/Корональные_выбросы_массы корональных выбросов массы], определения их силы, источника и направления по данным [https://en.wikipedia.org/wiki/Large_Angle_and_Spectrometric_Coronagraph LASCO], или для классификации звезд и галактик (возможности отличать первые от вторых).<ref>Kov ́acs, A., & Szapudi, I. 2015, MNRAS, 448,1305</ref>

==== Cлучайные леса ====[[Файл:Galaxy star features.png|300px|thumb|right|Список признаков объекта, использующийся в классификации звезд и 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>Carliles, S., Budav ́ari, T., Heinis, S., Priebe, C., &Szalay, A. S. 2010, ApJ, 712, 511</ref>* Классификация<ref>Bloom, J. S., Richards, J. W., Nugent, P. E., et al.2012, PASP, 124, 1175</ref> кратковременных астрономических событий и [https://ru.wikipedia.org/wiki/Переменная_звезда переменных звездКривая_блеска Кривая блеска]* Классификация звезд и галактик<ref>Miller, A(англ. A''light curve'') {{---}} функция изменения звездной величины (в базовом понимании яркости) во времени.Кривая блеска позволяет определить целый ряд физических свойств тела, Kulkarniв частности, M. K.период обращения, Caoпродолжительность затмения, Yотношение радиуса звезды к радиусу орбиты тела.Соответственно, et alразделение кривых блеска на типы позволяет лучше изучить структуры астрономических систем.2017, AJ, 153, 73</ref>

==== Нейронные сети ====Классифицировать кривые блеска можно при помощи [[ Нейронные Сверточные нейронные сети, перцептрон | Нейронные сети сверточных нейронных сетей]] (англ. ''Artificial neural networks, ANN'') используются 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>VanzellaMahabal, EA., CristianiSheth, SK., FontanaGieseke, AF., et al.20042017, A&AArXiv e-prints, 423, 761arXiv:1709.06257</ref>* Классификация галактик<ref>Banerji. Для этого необходимо представить функцию блеска в виде объекта, M.на котором можно обучать алгоритм, Lahavк примеру, Oв виде изображения.Это преобразование проводится следующим образом:# Для каждых двух точек кривой блеска <tex>(t_1, Lintottm_1), C. J.(t_2, et al. 2010m_2)</tex>,MNRASгде <tex>t_i</tex> {{---}} момент времени, 406<tex>m_i</tex> {{---}} значение звездной величины, 342</reftex>t_2 - t_1 = k * Измерение [https:T</tex>, где <tex>k \in \mathbb{N}</astrobites.orgtex>, <tex>T</2014/09/30/measuringtex> {{---galaxy}} некий временной интервал, пара значений <tex>(t_2 -start_1, m_2 -formationm_1)</tex> помещается в массив.# Полученные величины <tex>(\Delta t, \Delta m)</ скорости звездообразования] галактикtex> округляются до ближайших из значений <reftex>Ellison\delta m=\pm[0, S0. L1,0.2, Teimoorinia0.3, H0.5, Rosario1, D. J1.5, &Mendel2, J2. T. 20165, MNRAS3, 4585, L348]</reftex>,<br>* Классификация<reftex>Mahabal\delta t=[\frac{1}{145},\frac{2}{145},\frac{3}{145},\frac{4}{145},\frac{1}{25},\frac{2}{25},\frac{3}{25}, A1.5, Sheth2.5, K3.5, Gieseke4.5, F5.5,7,10,20,30,60,90,120, et al. 2017240,600,960,ArXiv e-prints2000, arXiv:1709.062574000]</reftex>, тем самым перемещаясь в пространство <tex> различных видов [https:23 * 24<//rutex>.wikipedia.org/wiki/Кривая_блеска кривых блеска]# Строится изображение размера <tex>23 * Определения и классификация стадий астрономических феноменов галактик 24</tex>, где интенсивность каждого пикселя пропорциональна количеству соответствующего элемента <reftex>Huertas-Company(\Delta t, M\Delta m)</tex> в полученном выше массиве.После этого на полученных изображениях обучается сверточная нейронная сеть, Primack, Jкоторая может классифицировать тип кривой блеска с точностью 84. R5%., Dekel, A[[Файл:PenelopeLightCurve.png|300px|thumb|left|Кривая блеска астероида Пенелопа]][[Файл:LightCurveImage.,et alpng|300px|thumb|right|Изображения для обучения сверточной нейронной сети]][[Файл:DmDtCurveMapping. 2018, ApJ, 858, 114</ref>png|300px|thumb|center|Преобразование кривой блеска в множество точек на плоскости]]

=== [[Общие понятия#Классификация задач машинного обучения | Обучение без учителя ]] Изучение астрономических явлений======= Кратковременные астрономические явления ====Алгоритмы обучения без учителя применительно к астрономии имеют особое значение для научных исследованийВвиду невозможности круглосуточно наблюдать за данными, поступающими 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, естественной целью оказывается обработка таких событий круглосуточно, поскольку они могут быть использованы для извлечения новых знаний из существующих наборов данных и могут способствовать новым открытиямв автоматическом режиме.

==== Случайные леса ====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:Случайные леса могут * Закодировать изменения во времени при помощи признаков искусственного объекта, после чего можно обучить классификатор на таких объектах, и результаты получать путем кодирования данных в объекты такого же типа. Классификатор может быть использованы для определения некоей меры схожести объектов без метоклюбым, к примеру, можно использовать случайный лес<ref>ShiBloom, J. S., Richards, TJ. W., & HorvathNugent, P. E., Set al. 20062012, Journal ofComputational and Graphical StatisticsPASP, 15124, 1181175</ref>.Чтобы перейти от задачи обучения без учителя к задаче обучения с учителем* 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>,которую которые можно решать с помощью случайного лесаобучить на нескольких последовательных результатах измерения излучения участка неба. В вышеупомянутой работе, к примеру, применяется следующая идеяобъектами являются данные о гамма-излучении на протяжении 20 временных интервалов.[[Файл:LSTMforTransients.png|600px|thumb|center|Архитектура рекуррентной нейронной сети для классификации кратковременных событий]]

# Пусть набор данных имеет вид таблицы <tex>N \cdot M====Астрономические феномены====Нейронные сети можно использовать для определения и классификация стадий астрономических феноменов галактик </texref>Huertas-Company, где каждая строка представляет объект с <tex>M</tex> признаками. Построим другую матрицу размера <tex>N \cdot M</tex>, где значениями каждого столбца будет выборка из частного распределения соответствующего признака в исходном наборе данныхPrimack, J. Такая матрица называется синтетическим набором данных (англR. ''synhtetic dataset''), Dekel, A. Альтернативным вариантом построения такой матрицы является случайная перестановка каждого столбца исходной матрицы,et al.# Пометим каждый объект исходного набора данных как принадлежащий классу <tex>A2018, ApJ, 858, 114</texref>, а каждый объект синтетического набора 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 как принадлежащий классу <tex>B</tex>. Обучим случайный лес на этой выборке.

На этом этапе случайный лес способен определять наличие ковариации=== Обучение без учителя ===Алгоритмы [[Общие понятия#Классификация задач машинного обучения | обучения без учителя ]] применительно к астрономии имеют особое значение для научных исследований, ведь она присутствует только в исходном наборе поскольку они могут быть использованы для извлечения новых знаний из существующих наборов данных. 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>, причем оба объекта должны достигнуть одного и того же листа в деревемогут способствовать новым открытиям.

Таким методом можно пользоваться====Классификация гамма-всплесков====[[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, например, для нахождения имеющие существенные различия в больших объемах данных объектовспектрах и наблюдательных проявлениях. Однако, не похожих многие авторы указывают на большинство других, для отдельного наличие третьего их изучениятипа с длиной события между длинными и короткими.Для проверки гипотезы о существовании гамма-всплесков можно использовать алгоритмы [[ Кластеризация | кластеризации]]. В частностиДостаточно зафиксировать модель, с помощью такого алгоритма [[Оценка качества в задаче кластеризации | метрику]] и функцию ошибки, и можно найти необычные типы галактикбудет оценить правдоподобность наличия третьего типа всплесков в каком-либо наборе данных.Было установлено<ref>BaronKulkarni, DS., & PoznanskiDesai, DS. 2017, MNRAS Astrophys Space Sci 362, 46570 (2017)</ref>,4530что на данных [https://swift.gsfc.nasa.gov/ SWIFT] допущение наличия третьего типа гамма-всплесков уменьшает ошибку в <tex>2.5</reftex>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>