은하 분류를 위한 도구로서의 신경 계산: 방법 및 예시

우리는 여러 인공 신경망(ANN) 및 기타 알고리즘을 사용하여 은하의 자동 형태학적 분류를 적용하고 비교합니다. 여기서 ANN은 천문학의 전통적인 통계 방법의 비선형 확장으로 수학적으로 제시됩니다. 이 방법들은 알고리즘의 매개변수와 인간 분류가 모두 제공되는 ESO-LV 카탈로그의 하위 집합을 선택하여 설명됩니다. 우리가 탐구하는 주요 방법은 다음과 같습니다: (i) 주성분 분석(PCA), 이는 입력 매개변수가 얼마나 독립적이고 정보량이 있는지를 파악하는 정보를 제공합니다; (ii) 인코더 신경망, 이는 입력의 선형(PCA 유사) 및 비선형 조합을 찾아 무감독 ANN의 예를 설명합니다; (iii) 인간 분류가 알려진 훈련 세트를 기반으로 한 감독 ANN(역전파 또는 준뉴턴 알고리즘 사용). 여기서 이전에 분류되지 않은 은하에 대한 출력은 연속(아날로그) 출력(예: T형) 또는 각 클래스에 대한 베이지안 사후 확률로 해석될 수 있습니다. ESO-LV 매개변수는 최적이 아니지만, 인간 분류를 재현하는 ANN의 성공은 2 T형 단위로, 동일한 은하 이미지를 판재 자료에서 분류하는 두 인간 전문가 간의 합의 수준과 유사합니다. 또한 ANN 구성의 측면, 재현성, 입력 매개변수의 스케일링 및 적색편이 정보를 조사합니다.