![]() |
ИСТИНА |
Войти в систему Регистрация |
ИПМех РАН |
||
В настоящее время наблюдается большой рост количества собранных астрономических дан- ных. Для того, чтобы их обработка происходила быстрее и качественнее, используются методы интел- лектуального анализа, такие как нейросетевые модели машинного обучения. Один из распространен- ных типов данных в астрономии – кривая блеска. Кривая блеска – зависимость светового потока от времени наблюдения. Такие данные как правило не имеют фиксированного временного разрешения. Поскольку эти кривые используются в задачах классификации типов астрономических объектов [1] и измерения пика излучения, остается очень важным вопросом заполнение временных пропусков. В дан- ной работе изучены различные способы аппроксимации наблюдений внутри кривой блеска на основе нейросетевых моделей. В представленной работе был использован искусственно синтезированный набор данных The Photometric LSST Astronomical Time Series Classification Challenge (PLAsTiCC) [2]. В публикации [3] показано как результат классификации транзиентов ухудшается при использовании сложных моделей на реальных данных, поэтому мы использовали и настоящие наблюдения The Zwicky Transient Facility (ZTF) Bright Transient Survey [4] для проверки работы моделей. Для оценки результатов работы алгоритмов аппроксимации использовались прямые регресси- онные метрики MAE, RAE, RMSE, RSE, MAPE. Метрика MAPE является основной метрикой, так как рассматриваются кривые блеска с различными масштабами измерений. В предыдущих работах, для аппроксимации кривых блеска сверхновых использовались гаус- совские процессы (GP), в ядро которых входили в виде признаков время и длина волны максимума пропускания фильтра, в котором наблюдался поток излучения объекта [1]. В нашей работе были ис- пользованы следующие модели: байесовская нейронная сеть (BNN), нормализующие потоки (NF) и двухслойный персептрон (MLP). Нейросетевые модели показали себя лучше классических гауссовских процессов по качеству аппроксимации, а также по последующей бинарной классификации сверхновых на тип Ia и все осталь- ные и по поиску пика светового потока кривой блеска. Лучшие результаты, следуя метрике MAPE, у модели нормализующих потоков. Наименьшее время работы у двухслойного персептрона. Реализация всех алгоритмов представлена в библиотеке Fulu https://github.com/HSE-LAMBDA/fulu.