Galaxy Morphology Classification: Uncertainty Modeling and Out of Distribution Detection

Das Universum ist erfüllt von Milliarden von Galaxien, jede eine riesige Insel aus Sternen, Gas und Staub. Seit fast einem Jahrhundert sortieren Astronomen diese kosmischen Inseln nach ihren Formen in Familien ein: Einige sind glatt und rund wie gigantische Lichtkugeln, während andere flache Spiralen mit gewundenen Armen sind. Diese Sortierung, bekannt als morphologische Klassifizierung, ist nicht nur eine bloße Katalogisierung; die Form einer Galaxie erzählt eine Geschichte über ihre Geschichte, wie sie entstand und wie sie sich im Laufe der Zeit verändert hat. Doch da moderne Teleskope den Himmel mit beispielloser Klarheit und einem enormen Volumen an Bildern erfassen, ist die schiere Anzahl der Galaxien zu groß geworden, als dass das menschliche Auge sie einzeln untersuchen könnte. Um Schritt zu halten, haben Wissenschaftler auf künstliche Intelligenz zurückgegriffen und Computer darauf trainiert, diese Formen automatisch zu erkennen. Aber es gibt einen Haken: Standard-Computerprogramme sind oft übermäßig selbstbewusst. Wenn sie auf eine Galaxie stoßen, die seltsam aussieht oder anders ist als alles, was sie bisher gesehen haben, pressen sie sie dennoch in eine bekannte Kategorie und behaupten Gewissheit, was potenziell dazu führt, dass seltene oder neue Entdeckungen hinter einer Mauer aus falscher Zuversicht verborgen bleiben.

Ein Forscherteam am Indian Institute of Technology Hyderabad setzte sich zum Ziel, dieses Problem zu lösen, indem sie einen intelligenteren Weg für Computer zum Klassifizieren von Galaxien entwickelten. Sie konzentrierten sich auf eine spezifische Herausforderung namens „Out-of-Distribution“-Detektion, was vereinfacht gesagt die Fähigkeit ist, zu erkennen, wenn ein Bild nicht zu den bekannten Gruppen gehört. Unter Verwendung einer massiven Sammlung von Galaxienbildern aus dem Dark Energy Camera Legacy Survey trainierten sie ein Deep-Learning-System, das nicht nur neun Standardformen von Galaxien identifiziert, sondern auch zugeben kann, wenn es sich unsicher ist. Die Forscher testeten drei verschiedene Ansätze. Der erste war eine Standardmethode, die als Basis diente. Der zweite führte eine neue Technik ein, die misst, wie weit die Merkmale einer Galaxie vom Zentrum ihrer bekannten Gruppe entfernt sind, anstatt nur eine Kategorie zu erraten. Der dritte kombinierte diese Distanzmessung mit einer Methode, bei der dasselbe Bild mehrmals mit leichten Variationen durch das „Gehirn“ des Computers läuft, was dem System ermöglicht, seine eigene Unsicherheit zu bemessen.

Die Ergebnisse zeigten, dass die neuen Methoden der Standardmethode weit überlegen waren. Das System, das die distanzbasierte Technik nutzte, wurde signifikant besser darin, ungewöhnliche Galaxien zu entdecken; es verbesserte seine Fähigkeit, diese korrekt als „unbekannt“ zu identifizieren, um fast 90 Prozent im Vergleich zur Basislinie, während es gleichzeitig die bekannten Formen mit einer Genauigkeit von 97 Prozent korrekt identifizierte. Entscheidend war, dass dieses System lernte, bescheiden zu sein. Wenn es auf eine Galaxie stieß, die schwierig zu klassifizieren war oder wie eine Mischung verschiedener Typen aussah, erzwang es keine Bezeichnung. Stattdessen signalisierte es Unsicherheit, oft indem es aufzeigte, dass die Galaxie weit entfernt vom Zentrum einer bekannten Formengruppe lag. Dieses Verhalten ist entscheidend für zukünftige Himmelsdurchmusterungen, bei denen das Ziel nicht nur darin besteht, das zu zählen, was wir kennen, sondern das Seltene, das Merkwürdige und das bisher Ungesehene zu finden.

Die Forscher fanden auch heraus, dass die Kombination der Distanzmethode mit der Mehrfach-Durchlauf-Technik das System noch zuverlässiger machte. Indem das Bild viele Male durch das Netzwerk geschickt wurde, konnte der Computer sehen, ob sich seine Antwort bei jedem Durchgang leicht veränderte. Wenn die Antwort schwankte, wusste das System, dass es es mit etwas Zweideutigem zu tun hatte. Dieser Ansatz reduzierte den Fehler in den Konfidenzwerten des Systems um etwa 73 Prozent, was bedeutete, dass, wenn der Computer sagte, er sei sicher, er auch wirklich sicher war, und wenn er sagte, er sei unsicher, er korrekt einen schwierigen Fall identifizierte. Die Studie demonstrierte, dass durch die Änderung der Art und Weise, wie der Computer Ähnlichkeit misst – mit dem Fokus auf geometrische Distanz statt nur auf Wahrscheinlichkeit –, eine klarere Trennung zwischen vertrauten Galaxien und jenen, die wahrhaft neu oder seltsam sind, geschaffen werden konnte.

Diese Arbeit verbessert nicht nur die Geschwindigkeit der Klassifizierung, sondern verändert die Zuverlässigkeit des gesamten Prozesses. In der Vergangenheit hätte ein automatisiertes System eine seltene, verschmelzende Galaxie vielleicht selbstbewusst als gewöhnliche Spirale fehlklassifiziert und damit ein einzigartiges kosmisches Ereignis effektiv aus dem Datensatz gelöscht. Der neue Rahmen stellt sicher, dass solche Anomalien für eine menschliche Überprüfung markiert werden. Die Forscher verifizierten, dass der Computer auf die richtigen Teile der Bilder achtete, wie etwa Spiralarme oder zentrale Bulges, anstatt auf zufälliges Rauschen oder Hintergrundartefakte. Wenn das System einen Fehler machte, lag dies oft daran, dass die Galaxie selbst verwirrend war, mit Merkmalen, die ineinander übergingen, und das System spiegelte diese Verwirrung korrekt durch eine höhere Unsicherheit wider.

Die Auswirkungen für die Astronomie sind bedeutend. Kommende Teleskope werden bald Milliarden von Galaxien erfassen – ein Volumen, das eine manuelle Überprüfung unmöglich macht. Ein Werkzeug zu besitzen, das die Bekannten automatisch sortiert und gleichzeitig zuverlässig auf das Unbekannte hinweist, ist essenziell, um die nächste Generation kosmischer Phänomene zu entdecken. Die Forscher merkten an, dass ihre Methode zwar hocheffektiv ist, aber eine größere Rechenleistung erfordert, um die für die Unsicherheitsbestimmung nötigen mehrfachen Prüfungen durchzuführen. Sie argumentieren jedoch, dass dieser Preis gering ist für die Fähigkeit, dem automatisierten Katalog zu vertrauen und sicherzustellen, dass keine seltsame oder seltene Galaxie unbemerkt durch die Maschen gleitet. Indem sie Maschinen lehren, die Grenzen ihres eigenen Wissens zu erkennen, können Astronomen die Computer endlich die Routinearbeit erledigen lassen und ihre eigene Aufmerksamkeit auf die geheimnisvollsten und faszinierendsten Objekte im Universum richten.