Press "Enter" to skip to content

韦伯太空望远镜观测的宇宙新图像,将由一个名为Morpheus的深度学习框架来分析

 

2022 年 7 月 11 日,美国航空航天局公布了詹姆斯·韦伯太空望远镜(James Webb Space Telescope,JWST)拍摄的第一张全彩图像,这让全世界的人类感到震惊和欣喜。

 

当然,人类并不是这些图像的唯一观众。这些来自「神奇望远镜」的数据将由加州大学圣克鲁兹分校创建的新一代 GPU 加速人工智能 Morpheus 进行分析。

 

Morpheus 不仅会帮助人类理解所看到的东西,它还将使用价值 100 亿美元的太空望远镜的图像来进一步分析未知的内容。

 

2020 年加州大学圣克鲁兹分校的 Brant Robertson 和 Ryan Hausen 提出了 Morpheus,该研究以「Morpheus: A Deep Learning Framework for the Pixel-level Analysis of Astronomical Image Data」为题,发布在《The Astrophysical Journal Supplement Series》,让我们来回顾一下这项研究。

 

 

Morpheus,一种用于生成天文来源的像素级形态分类的新模型。Morpheus 利用深度学习的进步,通过计算机视觉领域采用的语义分割算法,逐个像素地执行源检测、源分割和形态分类。通过在物体检测过程中利用有关真实天文源通量的形态信息,Morpheus 显示出对源的误报识别的弹性。

 

研究人员通过在五个烛光场中对哈勃太空望远镜数据进行信源检测、信源分割和形态学分类来评估Morpheus,重点是 GOODS South 场,并证明在恢复 H<26 AB 的已知 GOODS South 3D-HST 信源方面具有高度完整性。

 

Morpheus 提供了一个深度学习框架,用于在像素级别分析天文图像。使用语义分割算法,Morpheus 识别图像中的哪些像素可能包含源通量,并将它们与「背景」或天空像素分开。因此,Morpheus 允许通过查找与天空不同的源像素的连续区域来定义相应的分割区域或「分割图」。在同一框架内,Morpheus 可以将源像素进一步分类为其他「类别」。

 

在这项研究中,研究人员训练了 Morpheus 将源像素分类为形态类别(球体、圆盘、不规则、点源/紧凑和背景),近似于 K15 中 CANDELS 协作执行的视觉分类。原则上,Morpheus 识别的这些源像素类别可以被训练以再现星系的其他属性,例如光度学红移,只要有足够的训练数据集可用。

 

像素级形态

 

多年来,天文物体的复杂形态已经通过视觉分类方案和定量形态测量来描述。Hubble (1926) 和 Vaucouleurs (1959) 都试图将广泛的形态分类细分为更具描述性的类别。星系的定量形态分解也表征了星系中凸起和盘状成分的相对强度,定量形态分类通常衡量物体不对称的程度。

 

Morpheus 计算的对象级分类提供了来自 Morpheus 分类图像的像素级形态的混合。GOODS South 的 Morpheus 增值目录中报告的分类分布提供了许多形态类型通量加权测量的示例。但是,像素级分类中提供的信息比通量加权摘要提供的信息更多。

 

下图显示了一个示例对象,Morpheus 像素级分类为其提供了有关其复杂形态的直接信息。该图显示了一个具有突出中心凸起的盘状星系。像素级分类捕获中央凸起和扩展盘,每个结构组件中的像素接收来自 Morpheus 的主要凸起或盘分类。

 

需要指出的是,Morpheus 没有经过训练来执行这种自动凸盘分解,因为在训练过程中,给定对象中的所有像素都被分配了与 K15 视觉分类器确定的相同的分类分布。随着像素级形态分类的使用变得广泛,将需要开发包含像素级标签的标准数据集来评估分类器的功效。星系形成的模拟可能有助于生成这样的训练数据集。那时,他们将使用 Morpheus 对自动形态分解进行更彻底的分析留给了未来。

 

 

图示:Morpheus 的自动形态分解示例。(来源:论文)

 

形态去混合

 

Morpheus 提供像素级形态分类的能力具有超出对象的批量分类的应用。一个潜在的附加应用是重叠对象的形态去混合,其中像素级分类用于增强去混合过程。

 

下图显示了两个混合对象的示例,即 3D-HST ID 543 和 601,其中 Morpheus 像素级分类可用于执行或增强星-星系分离。

 

如图所示,当 Morpheus 正确地将主要分类分配给像素时,具有独特形态的区域(在本例中为椭球体和点源/紧凑型)之间存在一个界面区域,可以作为图像中分割区域之间的界面。这项工作中使用的去混合算法可以在去混合过程中包括其他形式的机器学习信息。如果 Morpheus 接受了形态学以外的信息训练,例如光度学红移,那幺这些像素级分类也可以用于去混合过程。

 

 

图示:Morpheus 的形态去混合示例。(来源:论文)

 

形态之外的分类

 

Morpheus 的语义分割方法允许从数据中学习天文物体的复杂特征,只要这些特征可以通过其他方式进行空间定位。

 

在这项研究中,研究人员使用 K15 的分割图将源像素与天空分离,然后他们将分割图中的像素分配给由 K15 逐个对象确定的形态分类。

 

原则上,这种方法可以扩展到识别包含多种特征的像素区域。例如,可以训练 Morpheus 识别图像伪影、虚假宇宙射线或其他仪器或数据效应,这些效应会导致图像中出现独特的像素级特征。

 

当然,图像中的真实特征也可以被识别,例如引力透镜中包含弧线的像素,或者可能是相互作用系统和星晕中的低表面亮度特征。Morpheus 的这些像素级应用补充了已经部署的基于机器学习的方法,例如那些发现和建模引力透镜的方法。Morpheus 也可以采用像素级光度学红移估计,并与基于 SED 拟合或其他形式的机器学习的现有方法进行比较。

 

深度学习和天文图像

 

与 Inception 等现有框架的改编和再训练相比,Morpheus 方法的一个重要区别是使用天文 FITS 图像作为训练、测试和输入数据,而不是预处理的 PNG 或 JPG 文件。将深度学习纳入天文管道将受益于数据格式的一致性。

 

Morpheus 的输出数据也是 FITS 分类图像,可以在天文科学图像和 Morpheus 模型图像之间轻松引用逐像素信息。Morpheus 框架是可扩展的,允许使用任意数量的天文滤镜图像,而不是 PNG 或 JPG 文件中固定的 RGB 图层集。

 

Morpheus 框架经过精心设计,可以对任意大小的天文图像进行分类。同样的方法还为 Morpheus 提供了单个像素分类分散度的度量,允许用户为「最佳」逐像素分类选择一个度量。这些特征的组合允许极大的灵活性使 Morpheus 框架适应天文图像分类中的问题。

 

结语

 

如今,Morpheus——在帮助科学家理解美国宇航局哈勃太空望远镜拍摄的图像方面发挥了关键作用——将帮助科学家提出和回答 JWST 观测宇宙所带来的新问题。

 

「JWST 将真正让我们以前所未有的新方式看待宇宙。」Robertson 说, 「所以这真的很令人兴奋。」

 

JWST 的光学系统不仅独一无二,而且 JWST 还将收集比哈勃望远镜上可见的更远的星系。接下来,Morpheus 将使用 JWST 提供的这些图像进行学习。

 

注:Morpheus 已经接受了加州大学圣克鲁斯分校的 Lux 超级计算机的培训。该机器包括 28 个 GPU 节点,每个节点带有两个 NVIDIA V100 Tensor Core GPU。

 

论文链接:https://iopscience.iop.org/article/10.3847/1538-4365/ab8868/meta

 

相关报道:

 

https://blogs.nvidia.com/blog/2022/07/11/james-webb-first-images/

 

https://www.science.org/content/article/webb-telescope-wows-first-images

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注