Multiband neural network classification of ZTF light curves as LSST proxies

Probleemstelling

De komende jaren zal het Legacy Survey of Space and Time (LSST) van de Vera C. Rubin Observatory enorme hoeveelheden data genereren. Het verwerken en classificeren van deze data, met name voor variabele sterren, vereist nieuwe, efficiënte methoden. Een groot uitdaging is dat LSST-achtige grondgebaseerde surveys (zoals ZTF) vaak "sparsely sampled" data produceren: er zijn grote tijdsintervallen tussen metingen door seizoenen, maanfasen en dag-nacht cycli. Dit maakt het moeilijk om lichtkrommen direct te analyseren. Bovendien is de volledige LSST-data nog niet beschikbaar; er moet daarom eerst getest worden op proxy-data die vergelijkbaar is met de toekomstige LSST-observaties.

Methodologie

De auteurs hebben een geavanceerd, toezicht op machine learning gebaseerd classificatiesysteem ontwikkeld en getest met behulp van data van de Zwicky Transient Facility (ZTF), specifiek de 17e data release (DR17).

1. Dataverzameling en Cross-matching:

   • De dataset is samengesteld door ZTF-observaties te kruisen met de OGLE-IV catalogus (voor betrouwbare labels) en Gaia DR3 (voor astrometrische matching).
   • Er zijn vijf hoofdklassen van periodieke variabele sterren geselecteerd: Klassieke Cepheïden, Type II Cepheïden, δ Scuti-sterren, bedekkingsvariabelen (eclipsing binaries) en RR Lyrae-sterren.
   • Omdat de overlap tussen OGLE en ZTF beperkt is en de data ongelijk verdeeld is over de klassen, is data augmentatie toegepast. Synthetische lichtkrommen zijn gegenereerd om een gebalanceerde dataset van 45.000 lichtkrommen te creëren (4.500 per klasse per filter).

2. Datavoorverwerking:

   • Fase-gefoldde lichtkrommen: Om de sparseness van de data te overwinnen, zijn de ruwe lichtkrommen gefaseerd (gefold) op basis van de periode. Deze zijn omgezet in 128x128 pixel afbeeldingen (zwart-wit).
   • Periodeberekening: De auteurs hebben de periodes zelf berekend uit de ZTF-data (g- en r-band) om te testen of dit haalbaar is voor de toekomstige LSST. Er zijn zowel single-band als multiband (Lomb-Scargle) methoden getest voor tijdsvensters van 1 tot 5 jaar.
   • Input: Het neurale netwerk ontvangt twee soorten input:
     • Afbeeldingen van de fase-gefoldde lichtkrommen in twee filters (g en r).
     • Numerieke input van de berekende periode.

3. Neuraal Netwerk Architectuur:

   • Het model is een Multi-input Neural Network dat bestaat uit twee parallelle takken die later worden samengevoegd (concatenated):
     • Tak 1 (Beeldverwerking): Twee identieke Convolutional Neural Networks (CNNs) verwerken de lichtkromme-afbeeldingen van de g- en r-band afzonderlijk. Deze bestaan uit convolutielagen, dropout en pooling.
     • Tak 2 (Numerieke verwerking): Een Fully Connected Network verwerkt de numerieke periode-informatie.
   • De outputs van beide takken worden samengevoegd en via een dense laag met softmax-activatie geleid naar de definitieve classificatie.
   • Het model is getraind met de Adam-optimizer en Early Stopping om overfitting te voorkomen.

Belangrijkste Bijdragen

• Proxy-ontwikkeling voor LSST: Het artikel demonstreert een robuuste methode om variabele sterren te classificeren met data die qua steekproef en filters (g, r) sterk lijkt op wat LSST zal leveren.
• Multiband Benadering: In plaats van alleen te vertrouwen op één filter, combineert het model informatie uit twee passbands (g en r) met numerieke periode-data. Dit lost het probleem van "degeneracy" op (waarbij verschillende sterrentypes vergelijkbare lichtkrommen hebben in één filter).
• Validatie van Periodeberekening: De auteurs hebben statistisch onderzocht hoe lang men moet observeren om betrouwbare periodes te berekenen voor verschillende sterrentypes in een LSST-achtig scenario. Ze concluderen dat voor de meeste nieuwe ontdekkingen minimaal drie jaar data nodig is voor betrouwbare classificatie.
• Openbare Beschikbaarheid: De architectuur van het netwerk en de gewichten zijn openbaar gemaakt voor hergebruik.

Resultaten

• Trainingsprestaties: Het model bereikte een trainingsnauwkeurigheid van 99% en een validatienauwkeurigheid van 95,6%.
• Testresultaten: Op de onafhankelijke testset (2.500 sterren) werden de volgende nauwkeurigheden behaald:
  • Drie klassen (δ Scuti, bedekkingsvariabelen, RR Lyrae): ~99% nauwkeurigheid.
  • Klassieke Cepheïden: 89,6%.
  • Type II Cepheïden: 93,6%.
  • De gemiddelde nauwkeurigheid voor alle klassen was zeer hoog, met name omdat de verwarring voornamelijk plaatsvond tussen Klassieke en Type II Cepheïden (die fysiek vergelijkbaar zijn).
• Vergelijking Single vs. Multiband: Een test met slechts één filter (g of r) toonde aan dat de nauwkeurigheid aanzienlijk daalt, vooral bij Cepheïden (73-100% voor g, 87-99% voor r). Het gebruik van twee filters samen verbeterde de classificatie van de meest moeilijke klassen aanzienlijk.
• Bias-test: Een test waarbij de fase van de lichtkrommen werd gerandomiseerd (zodat de piek niet altijd op fase 0 staat) leverde vergelijkbare resultaten op. Dit bewijst dat het netwerk de vorm van de lichtkromme leert en niet afhankelijk is van de absolute fase-oriëntatie.

Betekenis en Conclusie

Dit onderzoek bevestigt dat het combineren van multiband lichtkromme-afbeeldingen met numerieke periode-informatie een uiterst effectieve strategie is voor het classificeren van variabele sterren in toekomstige grote surveys zoals LSST.

De studie toont aan dat:

1. ZTF-data een uitstekende proxy is om methoden voor LSST te ontwikkelen.
2. Multiband-observaties cruciaal zijn om de nauwkeurigheid te maximaliseren, vooral voor sterren met vergelijkbare lichtkrommenvormen in één band.
3. Hoewel de periodeberekening uit sparsely sampled data uitdagend is, haalbaar is na een paar jaar observatie, wat voldoende is voor de meeste classificatietaken in een 10-jarige survey.

De auteurs sluiten af met de intentie om hun methoden uit te breiden naar drie filters (g, r, i) en uiteindelijk toe te passen op de echte LSST-data (6 filters), wat essentieel zal zijn voor het beheersen van de datatransformatie in de komende decennia.