ИИ-алгоритм повысил точность отбора далёких галактик для обзора DESI
Учёные представили новый метод машинного обучения для отбора далёких галактик и измерения их красного смещения. Разработка ориентирована на задачи будущего этапа тёмноэнергетического спектроскопического инструмента DESI (DESI Run 2).
Как сообщается в статье на arXiv, исследователи использовали подход на основе контролируемого взвешенного контрастивного обучения. Он позволяет одновременно решать две задачи: измерять спектроскопическое красное смещение и очищать выборку от посторонних объектов, таких как квазары и галактики с эмиссионными линиями на низких красных смещениях.
Основная причина применения нового алгоритма — сложности, с которыми сталкивается обработка данных для тусклых образцов галактик Лайман-брейк (LBG) в диапазоне красных смещений от z~2 до z~4.5. Именно такие объекты планирует изучать вторая фаза DESI.
Новый метод обобщает подход контрастивного обучения, используя непрерывные веса связей между объектами. Благодаря этому сеть обучается одновременно и классификации, и определению красного смещения.
В ходе тестирования на том же наборе данных, который использовался для предыдущей нейросети DESI (модифицированной версии QuasarNET), новая модель показала более сильную классификацию выбросов. При этом точность измерения красного смещения осталась сопоставимой.
Авторы отмечают, что контрастивное обучение хорошо подходит для небольших выборок, прошедших визуальный осмотр. Это особенно важно, учитывая многофункциональный характер задачи.
Работа направлена на повышение точности космологических измерений в высокоплотностной Вселенной на больших красных смещениях. Дальнейшее развитие метода может улучшить обработку данных будущих спектроскопических обзоров.
