$\mbox{H}$ $\mbox{I}$ 21-cm Absorption Spectra Classification using Machine Learning

Technische Samenvatting: Classificatie van H i 21-cm Absorptiespectra met behulp van Machine Learning

Probleemstelling
H i 21-cm absorptie is een cruciaal instrument voor het bestuderen van koud atomair waterstofgas in sterrenstelsels, voortkomend uit ofwel tussenliggende sterrenstelsels langs de gezichtslijn, ofwel vanuit de radiobron zelf (geassocieerd). Het onderscheid tussen deze twee oorsprongen is essentieel voor statistische studies naar de evolutie van sterrenstelsels en AGN-feedback (Active Galactic Nucleus). Traditioneel vereist deze classificatie vervolgonderzoek via optische/infrarode spectroscopie om de roodverschuiving van de radiobron te bepalen. Deze aanpak is echter vaak onhaalbaar voor grote, blinde surveys vanwege de zwakte van bronnen, het gebrek aan spectrale lijnen in objecten zoals blazars, en de tijdrovende aard van het verkrijgen van multi-band fotometrische data voor fotometrische roodverschuivingsschattingen. Eerdere pogingen tot automatisering van deze classificatie met machine learning (ML) (bijv. Curran et al. 2016; Curran 2021) behaalden accuratessen van ongeveer 80%, maar vertrouwden op het fitten van absorptiespectra met Gaussische profielen. De auteurs merken op dat Gaussische profielen symmetrisch zijn en vaak niet accuraat de brede, asymmetrische, dubbele hoornprofielen beschrijven die kenmerkend zijn voor spiraalstelsels, wat de classificatieprestaties potentieel kan beperken.

Methodologie
De auteurs hebben een gesuperviseerd ML-framework ontwikkeld om H i 21-cm absorptielijnen te classificeren als ofwel "interveniend" (tussenliggend) of "geassocieerd", zonder dat daarvoor roodverschuivingsinformatie nodig is.

• Dataprofiel: De studie maakte gebruik van een dataset van 118 bekende H i 21-cm absorptiespectra (74 geassocieerd, 44 intervenient) verzameld uit de literatuur.
• Spectrale Fitting: In plaats van Gaussische profielen gebruikten de auteurs de Busy function, een veelzijdige analytische functie die errorfuncties en een polynoom combineert, om de spectrale profielen te fitten. Deze methode maakt het mogelijk om de steile flanken en vlakke dalen te modelleren die typerend zijn voor dubbele hoornspectra van sterrenstelsels. Uit de Busy function-fits werden 13 spectrale parameters geëxtraheerd (waaronder amplitude, hellingen, offsets, lijnbreedtes $w_{50}$ en $w_{20}$, geïntegreerde optische diepte $\tau_{int}$ en signaal-ruisverhouding).
• Feature Selectie: Een correlatieanalyse toonde een sterke correlatie aan tussen $w_{50}$ en $w_{20}$ ($r=0,95$). Bijgevolg werd $w_{50}$ uitgesloten om de dimensionaliteit te verminderen, waardoor 12 spectrale parameters plus de SNR overbleven als voorspellers.
• Machine Learning Modellen: Zes gesuperviseerde classificatiealgoritmen werden getraind en geëvalueerd: Gaussian Naive Bayes, Logistische Regressie, Decision Tree, Random Forest, Support Vector Machine (SVM) en XGBoost.
• Trainingsprotocol: Om de kleine steekproefomvang en de klassenonbalans aan te pakken, hebben de auteurs het volgende gedaan:
  1. De trainingsset gebalanceerd door willekeurig 44 geassocieerde absorbers te selecteren om overeen te komen met de 44 interveniente absorbers.
  2. Een 80:20 train-test split toegepast met gestratificeerde bemonstering.
  3. Standard scaling (Z-score normalisatie) toegepast.
  4. Hyperparameter tuning uitgevoerd met Grid Search Cross-Validation gecombineerd met Leave-One-Out (LOO) technieken om onbevooroordeelde schattingen te garanderen.
  5. Het volledige trainings- en evaluatieproces 1.000 keer herhaald om robuuste gemiddelde prestatie-indicatoren (Accuracy, $F_1$-score, AUC) te genereren.
• Comparatieve Analyse: De auteurs testten ook de modellen met parameters geëxtraheerd uit multi-Gaussische fits en evalueerden de impact van het toepassen van een roodverschuivingsrestrictie ($z_{abs} \geq 0,1$). Ten slotte testten zij een gereduceerd model met enkel de twee meest significante parameters: lijnbreedte ($w_{20}$) en geïntegreerde optische diepte ($\tau_{int}$).

Belangrijkste Resultaten

• Modelprestaties: Het Random Forest model presteerde consequent beter dan de andere classifiers. Wanneer getraind op alle 12 spectrale parameters en SNR, bereikte het een gemiddelde testaccuratesse van 89%, een $F_1$-score van 0,90 en een AUC-score van 0,94.
• Feature Belang: Analyse van het Random Forest-model identificeerde de lijnbreedteparameter $w_{20}$ als de meest significante voorspeller, gevolgd door de geïntegreerde optische diepte ($\tau_{int}$). Dit komt overeen met de fysieke verwachtingen waarbij geassocieerde absorbers (AGN) doorgaans bredere en sterkere lijnen vertonen dan interveniente absorbers (stervormende sterrenstelsels).
• Gereduceerde Parameterset: Het hertrainen van het Random Forest-model met enkel $w_{20}$ en $\tau_{int}$ (plus SNR) leverde een accuratesse op van 88%, een $F_1$-score van 0,88 en een AUC van 0,91. Dit suggereert dat deze twee parameters grotendeels voldoende zijn voor classificatie.
• Vergelijking van Fittingmethoden: De aanpak met de Busy function resulteerde in classificatieresultaten die vergelijkbaar waren met (en iets beter dan in het scenario met de roodverschuivingsrestrictie) de multi-Gaussische fittingmethode die in eerdere studies werd gebruikt. De Busy function biedt het voordeel van een vast aantal vrije parameters (8) ongeacht de complexiteit van het profiel, terwijl multi-Gaussische fits een variabele complexiteit vereisen (1–5 Gaussische functies, of 3–15 parameters).
• Roodverschuivingsonafhankelijkheid: Het toepassen van een roodverschuivingsrestrictie ($z_{abs} \geq 0,1$) verminderde de testaccuratesse slechts marginaal (van 89% naar 87%), wat aangeeft dat de spectrale parameters zelf robuuste classifiers zijn, onafhankelijk van effecten van roodverschuivingsevolutie binnen de steekproef.
• Toepassing op Nieuwe Data: De auteurs pasten het hertrainde Random Forest-model (gebruikmakend van $w_{20}$ en $\tau_{int}$) toe op 30 nieuwe H i 21-cm absorbers gedetecteerd in de FLASH pilot survey. De voorspellingen van het model kwamen in ongeveer 80% van de gevallen overeen met de logistische regressieclassificatie van Curran (2021).

Betekenis en Claims
Het artikel beweert een efficiënt, geautomatiseerd ML-framework te bieden voor de classificatie van H i 21-cm absorbers, wat cruciaal is voor de komende grootschalige blinde surveys met Square Kilometre Array (SKA) precursors (bijv. ASKAP, MeerKAT) en de SKA zelf. De primaire bijdragen zijn:

1. Methodologische Verbetering: Het aantonen dat de Busy function een geschikte en efficiënte alternatieve methode is voor Gaussische fitting voor het extraheren van spectrale parameters voor ML-classificatie, met name voor asymmetrische profielen.
2. Prestatieverbetering: Het bereiken van een hogere classificatienauwkeurigheid (89% vs. ~80%) vergeleken met eerdere studies, toegeschreven aan het gebruik van de Busy function en een uitgebreider pakket aan ML-algoritmen.
3. Feature Vereenvoudiging: Het vaststellen dat een minimale set van twee spectrale parameters ($w_{20}$ en $\tau_{int}$) voldoende is voor classificatie met hoge nauwkeurigheid, wat de datavoorwaarden voor toekomstige surveys vereenvoudigt.
4. Schaalbaarheid: De ontwikkelde technieken worden gepresenteerd als een levensvatbare oplossing voor het verwerken van de honderden tot duizenden nieuwe absorbers die worden verwacht in toekomstige surveys, waardoor de afhankelijkheid van tijdrovende vervolgspectroscopie wordt verminderd.

De auteurs hanteren een bescheiden toon en merken op dat hoewel de huidige resultaten veelbelovend zijn, het voorspellende vermogen van deze modellen naar verwachting zal toenemen naarmate grotere datasets beschikbaar komen voor training in het SKA-tijdperk.