Multiwavelength classification of X-ray selected galaxy cluster candidates using convolutional neural networks

Shluky galaxií se na obrázcích XMM-Newton zobrazují jako rozšířené zdroje, ale ne všechny rozšířené zdroje jsou shluky. Jejich správná klasifikace tedy vyžaduje vizuální kontrolu optickými obrazy, což je pomalý proces s odchylkami, které je téměř nemožné modelovat. Tento problém řešíme novým přístupem, používajícím konvoluční neuronové sítě (CNNs), nejmodernější nástroj pro klasifikaci obrazu, pro automatickou klasifikaci kandidátů Shluky galaxií se na obrázcích XMM-Newton zobrazují jako rozšířené zdroje, ale ne všechny rozšířené zdroje jsou shluky. Jejich správná klasifikace tedy vyžaduje vizuální kontrolu optickými obrazy, což je pomalý proces s odchylkami, které je téměř nemožné modelovat. Tento problém řešíme novým přístupem, používajícím konvoluční neuronové sítě (CNNs), nejmodernější nástroj pro klasifikaci obrazu, pro automatickou klasifikaci kandidátů galaxie. Trénujeme sítě na kombinovaných rentgenových pozorováních XMM-Newton s jejich optickými protějšky z průzkumu Digitized Sky Survey na celém obloze. Naše datová sada pochází z průzkumného vzorku kandidátů galaxií v klastru XMM CLuster Archive Super Survey (X-CLASS), který byl vybrán speciálně vyvinutým potrubím XAmin přizpůsobeným pro rozšířenou detekci a charakterizaci zdrojů. Naše datová sada obsahuje 1707 kandidátů galaktických klastrů klasifikovaných odborníky. Kromě toho vytváříme oficiální vědecký projekt Zooniverse pro občany, The Hunt for Galaxy Clusters, abychom zkoumali, zda by dobrovolníci z řad občanů mohli pomoci při náročném úkolu vizuálního potvrzení galaxií. Projekt obsahoval celkem 1600 kandidátů galaktických klastrů, z nichž 404 se překrývá se vzorkem odborníků. Sítě byly samostatně trénovány na odborných datech a datech Zooniverse. Zkušební vzorek CNN obsahuje 85 spektroskopicky potvrzených shluků a 85 ne shluků, které se objevují v obou souborech dat. Naše vlastní síť dosáhla nejlepšího výkonu v binární klasifikaci klastrů a ne-klastrů, přičemž získala přesnost 90 procent, průměrně po 10 bězích. Výsledky použití CNN na kombinovaných rentgenových a optických datech pro klasifikaci kandidátů galaktických klastrů jsou povzbudivé a existuje velký potenciál pro budoucí použití a vylepšení.