Трансформеры научились классифицировать сверхновые по спектрам с точностью 86%

Астрономы продолжают искать способы автоматической обработки данных, поступающих с телескопов. В новой работе, опубликованной на arXiv, исследователи обратились к трансформерным vision-моделям для классификации спектров сверхновых. Это одна из ключевых задач time-domain астрономии, особенно для обнаружения сверхновых типа Ia.

Ученые использовали набор из 4011 спектров сверхновых, которые были дополнены и сбалансированы по трем классам: нормальные сверхновые типа Ia, другие подтипы Ia и сверхновые с коллапсом ядра. Такой подход позволяет проверить, насколько хорошо модель различает важные астрофизические категории.

Вместо того чтобы напрямую работать с одномерными данными, авторы преобразовывали спектры в изображения. Сравнивались два способа визуализации: классический график зависимости потока от длины волны и тепловая карта, построенная на разностях потоков и длин волн. Цель состояла в том, чтобы понять, какое представление лучше подходит для трансформеров.

В экспериментах использовались несколько архитектур, включая Vision Transformers (ViT), Swin Transformers и ViT с предобучением DINOv3. Настройка глубины дообучения и гиперпараметров также менялась. Оказалось, что простой линейный график «поток — длина волны» в среднем работает лучше, чем специально разработанные тепловые карты, хотя последние показывают конкурентоспособные результаты в отдельных комбинациях.

Лучший результат на тестовой выборке продемонстрировала модель vitb-p16: макро-F1 составил 86,3%. По классам F1 был равен 94% для нормальных сверхновых Ia, 77% для других подтипов Ia и 88% для сверхновых с коллапсом ядра. Главные ошибки возникали при смешении спектров типа Ia-91T с нормальными спектрами Ia.

Результаты показывают, что vision-трансформеры могут успешно применяться для классификации одиночных спектров сверхновых. Это особенно актуально в условиях роста числа спектроскопических наблюдений, когда ручной анализ становится узким местом. Авторы подчеркивают, что предложенный подход может служить основой для создания более сложных автоматических классификаторов.