다크 에너지 서베이 이미지를 이용한 기계 학습 및 심층 학습을 통한 은하의 자동 형태 분류 최적화

초록 자동화된 은하 형태 분류의 적용에 사용되는 여러 감독 기계 학습 방법이 있지만, 이미지 데이터를 사용한 이러한 다양한 방법의 명확한 비교나 그 효과성을 극대화하기 위한 조사는 아직 이루어지지 않았다. 우리는 다크 에너지 서베이(DES) 데이터와 은하 동물원 프로젝트(GZ1)의 시각적 분류를 결합하여 은하 분류를 위한 여러 일반적인 기계 학습 방법인 합성곱 신경망(CNN), K-최근접 이웃, 로지스틱 회귀, 서포트 벡터 머신, 랜덤 포레스트, 신경망 간의 비교를 수행한다. 우리의 목표는 은하 분류를 위한 이미지 데이터 사용 시 최적의 기계 학습 방법을 결정하는 것이다. 우리는 이 연구에서 CNN이 이 10가지 방법 중 가장 성공적인 방법임을 보여준다. GZ1의 시각적 분류가 있는 약 2800개의 은하 샘플을 사용하여 우리는 타원은하와 나선은하의 형태 분류에서 약 0.99의 정확도에 도달한다. 우리가 사용하는 CNN에서 예측 확률이 높지만 ML과 시각적 분류가 다른 은하들에 대한 추가 조사는 GZ1에서 제공된 잘못된 분류를 드러내는 경우가 많다. 우리는 또한 나선은하나 타원은하일 확률이 낮은 은하들이 시각적으로 긴축형(S0)이며, 이는 감독 학습이 이 은하 유형이 타원은하 및 나선은하와 구별된다는 것을 재발견할 수 있음을 보여준다. 우리의 연구에서 약 2.5%의 은하가 GZ1에 의해 잘못 분류된 것을 확인한다. 이 은하들의 레이블을 수정한 후, 우리는 CNN 성능을 평균 0.99 이상의 정확도로 향상시켰다(0.994의 정확도가 우리의 최상의 결과이다).