Neues neuronales Netzwerk verbessert Klassifizierung von Himmelsobjekten

In der modernen Astronomie ist die genaue Identifizierung von Himmelsobjekten grundlegend für das Verständnis von kosmischen Strukturen, der Evolution von Galaxien und der Verteilung von Dunkler Materie. Da verschiedene Arten von Himmelsobjekten unterschiedliche Emissionsmechanismen aufweisen, basieren Klassifikationen traditionell auf spektroskopischen Beobachtungen. Diese Art der Beobachtung erfordert jedoch reichlich Ressourcen und ist in großen Himmelsüberwachungsprojekten schwer durchführbar. Daher fehlen Spektren bei den meisten Himmelsobjekten, was die systematische Untersuchung von Milliarden von Objekten im Universum erheblich einschränkt. Dagegen kann die Bildbeobachtung in kürzerer Zeit einen kompletten Überblick über das Beobachtungsfeld liefern und dunklere Objekte als spektroskopische Methoden erfassen. Photometrische Daten können verwendet werden, um multiband-Spektren (SEDs) zu erstellen, die Informationen über die Emissionsmechanismen und die Morphologie der Himmelsobjekte bieten. Allerdings führt eine alleinige Abhängigkeit von Bildmorphologie oder SED-Charakteristika zu gewissen Ambiguitäten. Zum Beispiel sind hochrotverschobene Quasare und Sterne in Bildern beide punktförmig und schwer zu unterscheiden. In Farbraum können auch verschiedene Objekttypen überlappen, was Fehlklassifikationen bewirkt. Um diese Probleme zu lösen, haben Dr. Feng Haicheng vom Yunnan Observatorium der Chinesischen Akademie der Wissenschaften, Dr. Li Rui von der Zhengzhou University und Professor Nicola R. Napolitano von der Universität Federico II in Neapel ein neues Modell eines multimodalen neuronalen Netzwerks entwickelt. Dieses Modell integriert innovative Weise die morphologischen Charakteristika und die SED-Informationen der Himmelsobjekte, um Sterne, Quasare und Galaxien mit hoher Genauigkeit automatisch zu klassifizieren. Die Methode wurde bereits auf den Daten des fünften Releases des Europäischen Südsternwarten (ESO) Thousand Square Degree Survey (KiDS) angewendet, bei dem mehr als 27 Millionen r-Band-Objekte heller als der 23. Magnituden in einem Bereich von 1350 Quadratgrad klassifiziert wurden. Diese Studie hat wichtige Implikationen für zukünftige, große multiband-Himmelsüberwachungsprojekte wie das chinesische Raumstationstelskop. Es wird erwartet, dass solche Projekte in naher Zukunft Milliarden von Himmelsobjekten beobachten und datenbasierte Erkenntnisse liefern. Im Vergleich zu traditionellen Klassifikationsmethoden bietet die tiefenlernenbasierte multimodale Methode eine effektive technische Unterstützung für schnelle, automatisierte und hochpräzise Klassifikationen. Das Team plant, das Modell weiter zu erweitern und es auf größere Datensätze anzuwenden, um den Übergang von "Quantität" zu "Intelligenz" in der astronomischen Datenverarbeitung zu beschleunigen. Dies wird dazu beitragen, hochwertige astronomische Datenbanken aufzubauen und die Regeln der kosmischen Evolution besser zu verstehen. Das Forschungsergebnis wurde unter dem Titel "Morpho-photometric Classification of KiDS DR5 Sources Based on Neural Networks: A Comprehensive Star–Quasar–Galaxy Catalog" in der Zeitschrift "The Astrophysical Journal Supplement Series" veröffentlicht. Die Arbeit wurde von der National Natural Science Foundation of China, dem Ministerium für Wissenschaft und Technologie, der Provinz Yunnan und dem chinesischen bemannten Raumfahrtprogramm unterstützt. Ein Konfusionsmatrix basierend auf 20.000 Himmelsobjekten zeigt die Effektivität der neuen Klassifikationsmethode. Industrieexperten schätzen die Bedeutung dieses Ansatzes sehr hoch. Die Integration von multimodalitären Daten und tiefen Lernverfahren ermöglicht es, die Herausforderungen im Bereich der astronomischen Datenanalyse effektiv zu meistern und den Fortschritt der Himmelsbeobachtungsignalverarbeitung erheblich zu beschleunigen. Die Chinesische Akademie der Wissenschaften ist eine führende Institution im Bereich der Fundamentalwissenschaften und technologischen Innovationen. Das Yunnan Observatorium spezialisiert sich auf astrophysikalische Forschungen und hat eine lange Tradition in der Entwicklung fortschrittlicher astronomischer Instrumente. Die Zhengzhou University und die Universität Federico II in Neapel sind weitere wichtige Akteure in der internationalen wissenschaftlichen Gemeinschaft, die in diesem Projekt kooperiert haben.