Galaxy Morphology Classification: Uncertainty Modeling and Out of Distribution Detection

L'universo è pieno di miliardi di galassie, ognuna delle quali è una vasta isola di stelle, gas e polvere. Per quasi un secolo, gli astronomi hanno classificato queste isole cosmiche in famiglie basate sulla loro forma: alcune sono lisce e tonde come giganti sfere di luce, altre sono spirali piatte con bracci avvolgenti. Questa classificazione, nota come classificazione morfologica, non è solo una questione di catalogazione; la forma di una galassia racconta una storia sulla sua storia, su come si è formata e su come è cambiata nel tempo. Tuttavia, man mano che i moderni telescopi catturano immagini del cielo con una chiarezza e un volume senza precedenti, il numero di galassie è diventato troppo grande per essere esaminato uno per uno dall'occhio umano. Per tenere il passo, gli scienziati si sono rivolti all'intelligenza artificiale, insegnando ai computer a riconoscere queste forme automaticamente. Ma c'è un problema: i programmi informatici standard sono spesso eccessivamente sicuri di sé. Quando incontrano una galassia che appare strana o diversa da tutto ciò che hanno visto in precedenza, la forzano comunque in una categoria nota, dichiarandosi certi, potenzialmente nascondendo scoperte rare o nuove dietro un muro di falsa fiducia.

Un team di ricercatori dell'Indian Institute of Technology Hyderabad si è posto l'obiettivo di risolvere questo problema, costruendo un modo più intelligente per far classificare le galassie ai computer. Si sono concentrati su una sfida specifica chiamata rilevamento "out-of-distribution" (fuori distribuzione), che è semplicemente la capacità di riconoscere quando un'immagine non appartiene ai gruppi noti. Utilizzando una vasta collezione di immagini di galassie dal Dark Energy Camera Legacy Survey, hanno addestrato un sistema di deep learning per non solo identificare le nove forme standard delle galassie, ma anche per ammettere quando non era sicuro. I ricercatori hanno testato tre approcci differenti. Il primo era un metodo standard utilizzato come base. Il secondo introduceva una nuova tecnica che misura quanto le caratteristiche di una galassia siano distanti dal centro del proprio gruppo noto, piuttosto che limitarsi a indovinare una categoria. Il terzo combinava questa misurazione della distanza con un metodo che fa passare la stessa immagine attraverso il cervello del computer più volte con piccole variazioni, permettendo al sistema di valutare la propria incertezza.

I risultati hanno mostrato che i nuovi metodi erano di gran lunga superiori all'approccio standard. Il sistema che utilizzava la tecnica basata sulla distanza è diventato significativamente più bravo a individuare le galassie insolite, migliorando la sua capacità di identificarle correttamente come "sconosciute" di quasi il 90% rispetto alla base, pur identificando correttamente le forme note con un'accuratezza del 97%. Fondamentalmente, questo sistema ha imparato l'umiltà. Quando incontrava una galassia difficile da classificare o che appariva come un mix di diversi tipi, non forzava un'etichetta. Invece, segnalava l'incertezza, spesso mostrando che la galassia era lontana dal centro di qualsiasi gruppo di forme note. Questo comportamento è vitale per le future survey del cielo, dove l'obiettivo non è solo contare ciò che conosciamo, ma trovare il raro, lo strano e il precedentemente invisibile.

I ricercatori hanno anche scoperto che combinare il metodo della distanza con la tecnica dei passaggi multipli rendeva il sistema ancora più affidabile. Facendo passare l'immagine attraverso la rete molte volte, il computer poteva vedere se la sua risposta cambiava leggermente a ogni passaggio. Se la risposta vacillava, il sistema sapeva di trovarsi di fronte a qualcosa di ambiguo. Questo approccio ha ridotto l'errore nei punteggi di confidenza del sistema di circa il 73%, il che significa che quando il computer diceva di essere sicuro, era genuinamente sicuro, e quando diceva di non esserlo, stava identificando correttamente un caso difficile. Lo studio ha dimostato che cambiando il modo in cui il computer misura la somiglianza — concentrandosi sulla distanza geometrica invece che sulla semplice probabilità — era possibile creare una separazione più netta tra le galassie familiari e quelle che sono veramente nuove o strane.

Questo lavoro non migliora solo la velocità di classificazione; cambia l'affidabilità dell'intero processo. In passato, un sistema automatizzato avrebbe potuto etichettare erroneamente e con sicurezza una galassia rara in fase di fusione come una comune spirale, cancellando di fatto un evento cosmico unico dai registri. Il nuovo framework assicura che tali anomalie vengano segnalate per la revisione umana. I ricercatori hanno verificato che il computer prestasse attenzione alle parti corrette delle immagini, come i bracci a spirale o i bulbi centrali, piuttosto che al rumore casuale o agli artefatti di sfondo. Quando il sistema commetteva un errore, era spesso perché la galassia stessa era confusa, con caratteristiche che si fondevano tra loro, e il sistema rifletteva correttamente questa confusione attraverso una maggiore incertezza.

Le implicazioni per l'astronomia sono significative. Prossimi telescopi cattureranno presto immagini di miliardi di galassie, un volume che rende impossibile il controllo manuale. Avere uno strumento in grado di classificare automaticamente i soggetti noti fornendo al contempo un segnale affidabile sugli sconosciuti è essenziale per scoprire la prossima generazione di fenomeni cosmici. I ricercatori hanno osservato che, sebbene il loro metodo sia altamente efficace, richiede una maggiore potenza di calcolo per eseguire i controlli multipli necessari per l'incertezza. Tuttavia, sostengono che questo costo sia un piccolo prezzo da pagare per la capacità di fidarsi del catalogo automatizzato e per garantire che nessuna galassia strana o rara passi inosservata. Insegnando alle macchine a riconoscere i limiti della propria conoscenza, gli astronomi possono finalmente lasciare che i computer gestiscano il lavoro di routine, concentrando la propria attenzione sugli oggetti più misteriosi e affascinanti dell'universo.