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

技術概要：深層学習を用いた CSST 多色撮像における恒星密度の分類と回帰

問題定義
中国宇宙ステーション望遠鏡（CSST）は、銀河系外空洞（数個の天体）から銀河中心の混雑領域（検出器あたり 10⁵ 個以上の天体）に至るまで、前例のない恒星密度のダイナミックレンジにわたる宇宙のマッピングを設計されている。このような不均質なデータを単一の汎用ソース抽出パイプラインで処理することは、重大な系統的な不確実性を導入する。SExtractor などの標準アルゴリズムは、未解決天体による背景ノイズとソースの重なり（ブレンディング）のため、混雑領域において精度が低下し、測位不確実性が増大する。一方、DAOPHOT のような専門的な反復ツールは、希薄な領域では計算量が膨大となり不安定である。CSST の連続観測モードは必然的にこれらの変化する密度領域を通過するため、測光および測位の忠実性を確保する適応型アプローチが必要である。

手法
これらの課題に対処するため、著者は適応型データ処理のために設計された階層的な 2 段階の深層学習フレームワークを提案する。このシステムは、密度の特性評価とソース抽出を分離し、下流のアルゴリズムを特定の恒星密度環境に最適に適合させることを可能にする。

1. データ準備:

   • シミュレーション: 本研究では、CSST シミュレーションソフトウェアによって生成された高忠実度のピクセルレベルのモックデータを利用し、25 平方度の天域および銀河中心、フォックス、 Sculptor 矮小楕円銀河など、さまざまな代表的な天域を網羅している。
   • 前処理: 元の 9232×9216 ピクセルの画像は、マスクを考慮した標準化パイプラインで処理される。無効ピクセル（NaN、無限大）はゼロで埋められ、有効ピクセルは標準化される。画像は 224×224 ピクセルにリサイズされ、データ欠損に関する空間情報を保持するために、画像と二値マスクの 2 チャンネルテンソルが作成される。
   • 拡張: 訓練セットは、横方向の反転、離散回転、ランダムな色ジッターを用いて 4 倍に拡張され、多様性を高め、過学習を軽減する。

2. 段階 1: 密度分類（ResNet-34）:

   • 目的: 画像を 6 つの離散的な密度クラス（1 画像あたり 0 から 10⁵ 個以上の恒星）に分類すること。
   • アーキテクチャ: 双チャンネル入力を受理するように修正された ResNet-34 モデルが採用される。これは、勾配消失を緩和するための残差接続と、過学習を軽減するためのグローバル平均プーリングを利用する。
   • 訓練: モデルは、クロスエントロピー損失と勾配クリッピングおよび早期停止を備えた AdamW オプティマイザを用いて訓練される。
   • 選択: 検証されたアーキテクチャ（VGGNet-16、DenseNet-121、AlexNet、Baseline CNN）の中で、ResNet-34 は、高密度（98.83%）と計算効率（画像あたり 2.77 ms）の最適なバランスを提供し、DenseNet のメモリボトルネックや軽量モデルの低い精度を回避するため、選択された。

3. 段階 2: 明るい恒星の回帰（ResNet-50）:

   • 目的: 測位較正の重要なパラメータである、天域内の明るい恒星（23.5 等級未満）の正確な数を予測すること。
   • アーキテクチャ: ImageNet で事前訓練され、微調整されたより深い ResNet-50 モデルが回帰エンジンとして機能する。分類ヘッドは、ドロップアウトとバッチ正規化を備えたカスタム回帰ヘッド（512-256-128-1 ニューロン）に置き換えられる。
   • 訓練: 層を段階的にアンフリーズする段階的訓練アプローチが採用される。恒星数の広いダイナミックレンジを処理するために、MSE、MAE、相対 MSE を統合したカスタム結合損失関数が適用される。ラベルは訓練を安定させるために対数変換（$y' = \log_{10}(1+y)$）を受ける。

主な貢献

• 階層的フレームワーク: 本論文は、分類を「決定ゲート」として使用し、データを専門的な処理ブランチにルーティングすると同時に、回帰を用いて較正品質を評価する 2 段階パイプラインを導入する。
• 適応型処理: 密度推定とソース抽出を分離することで、モデルは測光および測位アルゴリズムが局所的な恒星密度に動的に適合することを保証し、混雑領域と希薄領域の両方における系統的誤差を軽減する。
• モデル最適化: 本研究は複数の CNN バックボーンを厳密に評価し、分類タスクにおいて ResNet-34 が精度とスループットの面で最良のトレードオフを提供し、ResNet-50 が正確な回帰に必要な容量を提供することを示した。
• ダイナミックレンジへの頑健性: このフレームワークは、通常標準パイプラインを破綻させる 5 つの桁（0 から 10⁵ 以上）にわたる恒星密度の範囲を成功裡に処理する。

結果

• 分類性能: ResNet-34 分類器は、98.83% のグローバル精度を達成した。これは極端な領域において卓越した性能を示し、空の天域（クラス 0）では 100% の精度・再現率、最も混雑した天域（クラス 5）では 99.62% の精度・再現率を達成した。誤分類は主にクラス境界（例：1,000 個のソースの閾値付近）で発生する「ソフトエラー」であり、下流のパイプラインルーティングへの影響は最小限である。
• 回帰性能: ResNet-50 回帰モデルは、対数スケールで平均絶対誤差（MAE）0.0824 dex、RMSE 0.1333 を達成した。これは、約 1.21 倍（±21%）の平均予測誤差因子に相当する。モデルは $R^2$ スコア 0.9076 を達成し、明るい恒星数の分散の 90% 以上を捉えていることを示している。
• 効率性: 推論時間は非常に効率的で、分類モデルは画像あたり約 2.77 ms、回帰モデルは約 0.1 ms で処理し、CSST データ処理パイプラインへのリアルタイム統合に適している。

意義と主張
著者は、このフレームワークが、局所的な恒星密度に基づいて正しい処理アルゴリズムを適用することで、CSST データ製品の忠実性と均質性を大幅に向上させると主張している。重要な決定ゲートとして機能することで、分類段階は混雑領域における標準アルゴリズムの失敗を防ぎ、空洞における専門ツールの使用による計算の無駄を回避する。回帰段階は、測位較正のための信頼性の高い指標を提供し、パイプラインが参照源が不足している天域をフラグ付けすることを可能にする。

本論文は、不均質な恒星景観を横断して運用しなければならない将来の広域サーベイのための基盤モジュールとしてこの研究を位置づけている。現在のモデルはシミュレーションデータで訓練されているが、著者は、このフレームワークが堅牢で自動化され、計算効率の高い基盤を提供し、実際の CSST 運用データによる微調整を通じてシミュレーションと観測のギャップを埋めることができると主張している。このアプローチは、静的で画一的なサーベイ戦略によって導入される系統的バイアスに対する解決策として提示されている。