Stellar Density Classification and Regression for CSST Multi-color Imaging Using Deep Learning

Sintesi Tecnica: Classificazione e Regressione della Densità Stellare per Imaging Multi-colore CSST Utilizzando l'Apprendimento Profondo

Enunciato del Problema
Il Telescopio di Indagine della Stazione Spaziale Cinese (CSST) è progettato per mappare l'universo attraverso una gamma dinamica senza precedenti di densità stellari, che va dai vuoti extragalattici (poche sorgenti) al centro galattico affollato (>10⁵ sorgenti per rivelatore). L'elaborazione di tali dati eterogenei con un'unica pipeline di estrazione delle sorgenti a scopo generale introduce significative incertezze sistematiche. Gli algoritmi standard, come SExtractor, soffrono di scarsa accuratezza e di un aumento dell'incertezza astrometrica nei campi affollati a causa della sovrapposizione delle sorgenti e del rumore di fondo dominato da sorgenti non risolte. Al contrario, strumenti iterativi specializzati come DAOPHOT sono computazionalmente proibitivi e instabili nelle regioni sparse. La modalità di rilevamento continuo del CSST attraversa inevitabilmente questi regimi di densità variabili, rendendo necessaria un'approccio adattivo per garantire la fedeltà fotometrica e astrometrica.

Metodologia
Per affrontare queste sfide, gli autori propongono un framework gerarchico a due stadi basato sull'apprendimento profondo, progettato per la riduzione adattiva dei dati. Il sistema disaccoppia la caratterizzazione della densità dall'estrazione delle sorgenti, permettendo agli algoritmi a valle di essere ottimamente adattati all'ambiente specifico di densità stellare.

1. Preparazione dei Dati:

   • Simulazione: Lo studio utilizza dati mock di alta fedeltà a livello di pixel generati dal software di simulazione CSST, che coprono una regione celeste di 25 deg² e vari campi rappresentativi (inclusi il Centro Galattico, Fornax e le nane sferoidali di Sculptor).
   • Pre-elaborazione: Le immagini originali da 9232×9216 pixel vengono elaborate utilizzando una pipeline di standardizzazione consapevole delle maschere. I pixel non validi (NaN, infiniti) vengono riempiti con zeri, mentre i pixel validi vengono standardizzati. Le immagini vengono ridimensionate a 224×224 pixel, creando un tensore a due canali (immagine + maschera binaria) per preservare le informazioni spaziali relative ai vuoti di dati.
   • Aumento dei Dati: I set di addestramento vengono espansi di quattro volte utilizzando il ribaltamento orizzontale, rotazioni discrete e jittering casuale del colore per aumentare la diversità e ridurre l'overfitting.

2. Stadio 1: Classificazione della Densità (ResNet-34):

   • Obiettivo: Categorizzare le immagini in sei classi discrete di densità (da 0 a >10⁵ stelle per immagine).
   • Architettura: Viene impiegato un modello ResNet-34, modificato per accettare input a doppio canale. Utilizza connessioni residue per mitigare il vanishing gradient e pooling medio globale per ridurre l'overfitting.
   • Addestramento: Il modello viene addestrato utilizzando la funzione di perdita Cross-Entropy e l'ottimizzatore AdamW con clipping del gradiente e arresto anticipato.
   • Selezione: Tra le architetture testate (VGGNet-16, DenseNet-121, AlexNet, CNN di base), ResNet-34 è stato selezionato per il suo equilibrio ottimale tra alta accuratezza (98,83%) ed efficienza computazionale (2,77 ms/immagine), evitando i colli di bottiglia di memoria di DenseNet e la minore accuratezza dei modelli più leggeri.

3. Stadio 2: Regressione delle Stelle Luminose (ResNet-50):

   • Obiettivo: Prevedere il conteggio preciso delle stelle luminose (<23,5 mag) all'interno di un campo, un parametro critico per la calibrazione astrometrica.
   • Architettura: Un modello ResNet-50 più profondo, pre-addestrato su ImageNet e fine-tuned, funge da motore di regressione. La testa di classificazione viene sostituita con una testa di regressione personalizzata (512-256-128-1 neuroni) con dropout e normalizzazione batch.
   • Addestramento: Viene utilizzato un approccio di addestramento a stadi, sbloccando progressivamente i livelli. Viene applicata una funzione di perdita combinata personalizzata (che integra MSE, MAE e MSE Relativo) per gestire l'ampia gamma dinamica dei conteggi stellari. Le etichette subiscono una trasformazione logaritmica ($y' = \log_{10}(1+y)$) per stabilizzare l'addestramento.

Principali Contributi

• Framework Gerarchico: Il documento introduce una pipeline a due stadi che utilizza la classificazione come "porta decisionale" per instradare i dati a rami di elaborazione specializzati, utilizzando simultaneamente la regressione per valutare la qualità della calibrazione.
• Elaborazione Adattiva: Disaccoppiando la stima della densità dall'estrazione delle sorgenti, il modello garantisce che gli algoritmi fotometrici e astrometrici siano dinamicamente adattati alla densità stellare locale, mitigando gli errori sistematici sia nei campi affollati che in quelli sparsi.
• Ottimizzazione del Modello: Lo studio valuta rigorosamente molteplici backbones CNN, dimostrando che ResNet-34 offre il miglior compromesso tra accuratezza e throughput per il compito di classificazione, mentre ResNet-50 fornisce la capacità necessaria per una regressione precisa.
• Robustezza alla Gamma Dinamica: Il framework gestisce con successo una gamma di densità stellari che copre cinque ordini di grandezza (da 0 a >10⁵), una scala che tipicamente fa fallire le pipeline standard.

Risultati

• Prestazioni di Classificazione: Il classificatore ResNet-34 ha raggiunto un'accuratezza globale del 98,83%. Ha dimostrato prestazioni eccezionali agli estremi, con una precisione/recall del 100% per i campi vuoti (Classe 0) e del 99,62% per i campi più affollati (Classe 5). Le classificazioni errate sono state principalmente "errori soft" verificatisi ai confini delle classi (ad esempio, vicino alla soglia delle 1.000 sorgenti), che hanno un impatto minimo sull'instradamento della pipeline a valle.
• Prestazioni di Regressione: Il modello di regressione ResNet-50 ha raggiunto un Errore Assoluto Medio (MAE) di 0,0824 dex e un RMSE di 0,1333 sulla scala logaritmica. Ciò si traduce in un fattore di errore medio di previsione di circa 1,21 (±21%). Il modello ha raggiunto un punteggio $R^2$ di 0,9076, indicando che cattura oltre il 90% della varianza nei conteggi delle stelle luminose.
• Efficienza: Il tempo di inferenza è altamente efficiente, con il modello di classificazione che elabora le immagini in ~2,77 ms e il modello di regressione in ~0,1 ms, rendendolo adatto all'integrazione in tempo reale nella pipeline di riduzione dei dati CSST.

Significato e Affermazioni
Gli autori affermano che questo framework migliora significativamente la fedeltà e l'omogeneità dei prodotti dati CSST garantendo che vengano applicati gli algoritmi di riduzione corretti in base alla densità stellare locale. Agendo come una porta decisionale critica, lo stadio di classificazione previene il fallimento degli algoritmi standard nei campi affollati ed evita lo spreco computazionale dell'uso di strumenti specializzati nei vuoti. Lo stadio di regressione fornisce una metrica affidabile per la calibrazione astrometrica, permettendo alla pipeline di segnalare i campi con sorgenti di riferimento insufficienti.

Il documento posiziona questo lavoro come un modulo fondamentale per futuri rilevamenti su larga scala che devono operare attraverso paesaggi stellari eterogenei. Sebbene i modelli attuali siano addestrati su dati simulati, gli autori affermano che il framework fornisce una base robusta, automatizzata ed efficientemente computazionale che può essere fine-tuned con i dati reali di commissioning del CSST per colmare il divario tra simulazione e osservazione. L'approccio è presentato come una soluzione ai bias sistematici introdotti da strategie di rilevamento statiche e "taglia unica".