Машинные конволюции бесщелевых спектров галактик

 

Китайские товарищи представили весьма необычный подход к одной из классических задач наблюдательной космологии — определению красных смещений галактик. Вместо традиционного анализа уже извлечённых одномерных спектров они предложили вообще отказаться от стадии извлечения спектра как таковой и передавать нейросети сразу исходные двумерные изображения безщелевой спектроскопии. Работа ориентирована на будущий китайский космический телескоп CSST — крупный обзорный инструмент, который должен проводить масштабные спектроскопические обзоры галактик.  

Проблема, которую пытаются решить авторы, довольно фундаментальна. В бесщелевой спектроскопии свет от галактики не проходит через узкую щель спектрографа, а просто размазывается по матрице. В результате спектр оказывается «смешан» с формой самой галактики. Если галактика асимметрична или имеет сложную структуру, это напрямую влияет на калибровку длины волны и ухудшает точность измерения красного смещения. Классические пайплайны пытаются сначала откалибровать изображение, затем извлечь одномерный спектр, а уже потом искать линии и вычислять красное смещение. Но каждый такой этап добавляет ошибки и теряет часть информации.  

Авторы предложили пойти другим путём: вообще не извлекать 1D-спектр. Вместо этого нейросеть получает на вход полное двумерное спектральное изображение — фактически «фотографию» размазанного спектра галактики. Идея состоит в том, что конволюционная нейросеть сама научится одновременно распознавать:

• форму галактики,
• распределение света,
• положение спектральных особенностей,
• систематические смещения,
• шумы и артефакты.

То есть сеть учится решать задачу end-to-end напрямую из сырых данных.  

Для обучения была создана огромная синтетическая база данных — почти 690 тысяч искусственных двумерных спектров галактик. Морфология галактик бралась из реальных изображений обзора HSC Subaru, а спектральные энергетические распределения — из DESI DR1. Затем эти данные прогонялись через симулятор инструмента CSST, который генерировал реалистичные бесщелевые спектральные изображения в диапазонах GV и GI. Авторы даже проводили деконволюцию изображений методом Ричардсона–Люси, чтобы восстановить внутреннюю структуру галактик перед симуляцией.  

Архитектура сети тоже заслуживает внимания. В основе используется ResNet-34 — достаточно мощная конволюционная архитектура компьютерного зрения. Но поверх неё исследователи построили байесовскую конволюционную нейросеть (Bayesian Convolutional Neural Network) с методом Монте-Карло (Monte Carlo Dropout). Это важно: сеть предсказывает не только само красное смещение, но и собственную уверенность в результате. Иными словами, модель одновременно оценивает:

• значение красного смещения;
• шумы самих данных;
• неуверенность самой модели.  

Особенно интересна реализация байесовской части. Во время inference dropout не отключается, как обычно, а остаётся активным. Поэтому каждое прохождение через сеть даёт немного другой результат. Авторы выполняют сотни таких проходов и получают распределение предсказаний вместо одного числа. Это позволяет оценивать статистически осмысленные ошибки измерений — крайне важная вещь для космологии высокой точности.  

Формула 1. Неопределенность комбинированного отклонения 

Дополнительно сеть специально обучали быть устойчивой к ошибкам калибровки длины волны. Для этого в тренировочный датасет искусственно добавляли случайные пространственные сдвиги спектров — фактически имитируя ошибки наведения и астрометрии. В результате модель научилась автоматически компенсировать подобные смещения без явной процедуры калибровки длины волны. Это одна из самых сильных сторон всей работы.  

Результаты оказались весьма впечатляющими. Для объектов с умеренным отношением сигнал/шум (SNR) сеть достигла точности:

• σNMAD ≈ 0.0104 при SNR ≥ 1;
• σNMAD ≈ 0.0047 при SNR ≥ 3;
• σNMAD ≈ 0.0037 при SNR ≥ 5;
• σNMAD ≈ 0.0024 при SNR ≥ 10.  

Эти значения уже удовлетворяют требованиям для задач вроде измерения барионных акустических осцилляций (BAO) — одного из главных инструментов современной прецизионной космологии. Особенно важно, что даже при искусственно внесённых ошибках калибровки деградация качества оказалась относительно небольшой.  

Авторы также показали, что качество работы сильно зависит от типа галактик. Лучше всего сеть справляется с Bright Galaxy Sample — яркими близкими галактиками с хорошим SNR. Хуже всего — с Emission Line Galaxies на больших красных смещениях: их спектральные линии слишком узкие и сильно размазываются бесщелевой спектроскопией.  

В разделе ограничений исследователи честно перечисляют слабые места подхода. Пока модель обучалась на упрощённых симуляциях:

• морфология галактики считалась одинаковой на всех длинах волн;
• не моделировались космические лучи;
• не учитывались сложные фоновые градиенты;
• PSF считалась относительно простой;
• реальные дефекты детекторов пока отсутствуют.  

Тем не менее сама идея выглядит крайне перспективной. По сути, авторы предлагают постепенный отказ от классического астрономического пайплайна «калибровка → извлечение спектра → анализ» в пользу прямого анализа сырых двумерных данных нейросетью. И если такой подход действительно заработает на реальных наблюдениях CSST, Euclid или Roman Telescope, это может серьёзно изменить методы обработки данных в спектроскопических обзорах следующего поколения.

Домашнее чтение:

📖 - https://doi.org/10.48550/arXiv.2605.16762

📖 - https://arxiv.org/abs/1901.02731

✊

-----

СПРАВКА

CSST (Xuntian / 巡天)

Галактики / Космология / Телескопы

СПРАВКА

CSST (Xuntian / 巡天)

Внешне этот телескоп напоминает смесь Хаббла, Roman Space Telescope и модуля китайской станции Tiangong.

Ключевая особенность — огромная обзорная камера:
- зеркало около 2 метров;
- поле зрения примерно в 300 раз больше, чем у Hubble;
- 2.5-гигапиксельная камера;
- работа в режиме широкого поля и бесщелевой спектроскопии.

Интересна и сама архитектура миссии: CSST не просто летает отдельно, а должен периодически стыковаться со станцией Tiangong для обслуживания и модернизации — почти как Хаббл, только без шаттлов.

CSST изначально проектируется под массовую бесщелевую спектроскопию и космологические обзоры:

* барионные акустические осцилляции,
* слабые гравилинзы,
* крупномасштабная структура Вселенной,
* темная материя,
* темная энергия,
* обзоры красных смещений.