🔭 astrophysics

Comparison of symbolic regression algorithms in Star/galaxy/quasar separation

Dit onderzoek toont aan dat symbolische regressie-algoritmen, met name MvSR en PhySO, een interpreteerbaar en nauwkeurig alternatief bieden voor black-box machine learning bij het scheiden van sterren, sterrenstelsels en quasers in SDSS DR17-data door middel van compacte analytische functies.

Oorspronkelijke auteurs: Rachit Deshpande, Shantanu Desai

Gepubliceerd 2026-03-02

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Rachit Deshpande, Shantanu Desai

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Sterren, Sterrenstelsels en Quasars: De Kunst van het Scheiden met Wiskunde

Stel je voor dat je een enorme, glinsterende doos met knikkers hebt. In deze doos zitten drie soorten knikkers:

Sterren (zoals onze Zon, dichtbij).
Sterrenstelsels (grote groepen van miljarden sterren, wat verder weg).
Quasars (extreem heldere, oude monsters die heel ver weg zitten).

Deze knikkers zitten door elkaar gemengd. De taak van de astronomen is om ze weer te sorteren. Normaal gesproken gebruiken ze "zwarte doos"-computers (zoals geavanceerde neurale netwerken). Die zijn heel slim en kunnen de knikkers goed sorteren, maar niemand weet hoe ze dat doen. Het is alsof je een magiër ziet die een konijn uit een hoed tovert, maar je mag niet kijken hoe hij het doet.

Het Nieuwe Idee: De "Uitlegbare" Formule
De auteurs van dit paper wilden iets anders. Ze wilden geen magiër, maar een wiskundige die een eenvoudige, begrijpelijke formule schrijft die precies uitlegt hoe je de knikkers kunt onderscheiden. Ze noemen dit Symbolische Regressie.

In plaats van een ingewikkeld computerprogramma te laten "leren", laten ze de computer zoeken naar een mooie wiskundige vergelijking (zoals $y = x^2 + 3$ ) die het verschil tussen de drie groepen beschrijft.

De Grote Vergelijking: Vier Manieren om te Sorteren
De onderzoekers hebben vier verschillende "zoekmachines" getest om deze formule te vinden. Ze hebben ze allemaal getest op data van de Sloan Digital Sky Survey (een enorme fotoalbum van de sterrenhemel).

PySR (De Evolutionaire Zoeker):
- Analogie: Stel je een groep apen voor die wiskundige vergelijkingen typen. Elke keer als ze een vergelijking typen die net iets beter werkt, houden ze die over en proberen ze variaties. Het is een beetje als natuurlijke selectie: de beste formules overleven.
- Resultaat: Ze vonden een goede formule, maar het was soms een beetje onstabiel (de grens tussen de groepen verschuifde een beetje).
ESR (De Grondige Zoeker):
- Analogie: Dit is de "puzzelmeester". In plaats van te gokken, probeert deze methode elke mogelijke simpele combinatie die wiskundig klopt. Het is als het proberen van elke mogelijke sleutel in een sleutelbos tot je de juiste vindt.
- Resultaat: Ze vonden een zeer stabiele formule, maar het kostte veel rekenkracht.
PhySO (De Leerling met een Mentor):
- Analogie: Dit werkt met "Deep Reinforcement Learning". Stel je een robot voor die probeert een formule te bouwen. Als hij een fout maakt (bijvoorbeeld een wiskundige onzin), krijgt hij een rode kaart en mag hij niet verder. Als hij iets goed doet, krijgt hij een punt. Na veel proberen leert hij de perfecte formule.
- Resultaat: Deze robot was extreem stabiel. De grens tussen de groepen verschuift bijna nooit.
**MvSR (De Specialistische Teamwerkers) - De Winnaar!
- Analogie: Dit is het slimste idee. De onderzoekers realiseerden zich dat de knikkers er anders uitzien als je ze dichtbij bekijkt versus ver weg. Dus, in plaats van één formule voor iedereen, maakten ze een team van drie specialisten:
  - Specialist 1 kijkt alleen naar de dichtbijzijnde sterren.
  - Specialist 2 kijkt naar de middelste groep (stelsels).
  - Specialist 3 kijkt naar de verre monsters (quasars).
- Ze werken samen aan één grote formule, maar elk deel is aangepast aan hun eigen specialiteit.
- Resultaat: Dit was de beste methode! Ze haalden de hoogste score en waren het meest betrouwbaar.

Wat hebben ze ontdekt?
Het meest verbazingwekkende is dit: De simpele wiskundige formules waren net zo goed als de complexe "zwarte doos" computers.

De "zwarte doos" computers (zoals Random Forests en Neurale Netwerken) haalden een score van ongeveer 90%.
De nieuwe, simpele formules (die je met de hand kunt opschrijven) haalden ook ongeveer 90%.

Waarom is dit belangrijk?

Transparantie: We weten nu precies waarom een computer denkt dat iets een ster of een quasar is. Het is niet magie; het is wiskunde.
Snelheid: Een simpele formule is veel sneller om uit te rekenen dan een zwaar computerprogramma.
De Grens: Ze ontdekten dat er een punt is (rondom een bepaalde afstand in het heelal) waar sterrenstelsels en quasars zo op elkaar lijken, dat zelfs de slimste computer ze niet perfect kan onderscheiden. Dat is geen fout van de computer, maar een eigenschap van het heelal zelf.

Conclusie
De onderzoekers hebben laten zien dat je niet altijd de zwaarste, onbegrijpelijke AI nodig hebt om de sterrenhemel te begrijpen. Soms is een mooie, simpele wiskundige formule, die je op een briefje kunt schrijven, net zo goed en veel leuker om te begrijpen. Ze hebben de "recepten" gevonden om de hemel te sorteren, en die recepten zijn nu openbaar voor iedereen.

Titel: Vergelijking van symbolische regressie-algoritmen voor de scheiding van sterren, sterrenstelsels en quasers

1. Probleemstelling

De classificatie van astronomische objecten (sterren, sterrenstelsels en quasers) op basis van fotometrische data is fundamenteel voor kosmologisch onderzoek. Hoewel moderne machinelearning-modellen (zoals diepe neurale netwerken en gradient-boosted trees) hoge nauwkeurigheden (>95%) bereiken, werken deze als "black boxes". Ze onthullen de onderliggende astrofysische relaties (zoals de evolutie van roodverschuiving en populatiedichtheid) niet.

Het doel van dit onderzoek is om Symbolische Regressie (SR) te evalueren als een interpreteerbaar alternatief. Specifiek wordt onderzocht of compacte, analytische functies die alleen de spectroscopische roodverschuiving ( $z$ ) als invoer gebruiken, in staat zijn om deze drie populaties betrouwbaar te scheiden zonder de transparantie van de beslissingsgrenzen te verliezen.

2. Methodologie

De auteurs hebben een systematische vergelijkende studie uitgevoerd op de SDSS DR17 dataset (Sloan Digital Sky Survey), bestaande uit 100.000 spectroscopisch bevestigde objecten.

Data: De dataset bevat 59.45% sterrenstelsels, 21.59% sterren en 18.96% quasers. Er is sprake van een sterke class-imbalance. Voor de ontdekking van symbolen werd een representatieve subset van 10.000 objecten gebruikt, gevolgd door een 5-voudige gestratificeerde cross-validatie op de volledige dataset.
Doel: Het leren van een continue scorefunctie $s(z)$ $s (z)$ die wordt omgezet in discrete labels via twee optimaliserende drempelwaarden ( $t_1$ $t_{1}$ en $t_2$ $t_{2}$ ):
- $s(z) < t_1 \rightarrow$ Ster (STAR)
- $t_1 \leq s(z) \leq t_2 \rightarrow$ Sterrenstelsel (GALAXY)
- $s(z) > t_2 \rightarrow$ Quasar (QSO)
Vergelijkde Symbolische Regressie Frameworks:
1. PySR: Een evolutionair algoritme gebaseerd op een "island-model" (genetische programmering) dat populaties parallel laat evolueren.
2. ESR (Exhaustive Symbolic Regression): Een deterministische methode die alle geldige wiskundige expressies binnen een complexiteitslimiet (≤10 knopen) exhaustief doorzoekt, geselecteerd op basis van het Minimum Description Length (MDL) principe.
3. PhySO (Physical Symbolic Optimization): Een methode die diepe versterkende leer (Deep Reinforcement Learning) gebruikt, waarbij een LSTM-netwerk symbolische expressies genereert met strikte fysieke en wiskundige constraints (bijv. geen geneste exponentiële functies).
4. MvSR (Multi-View Symbolic Regression): Een ensemble-strategie die het roodverschuivingsdomein opdeelt in drie specifieke regimes (laag, midden, hoog $z$ ) om lokale populatiedichtheden beter te modelleren, terwijl een globaal analytisch template wordt gedeeld.
Benchmarks: Om de bovengrens van prestaties te bepalen, werden drie niet-interpreteerbare modellen getraind op dezelfde invoer ( $z$ alleen): Random Forest, Support Vector Machine (SVM) en Multi-Layer Perceptron (MLP).

3. Belangrijkste Bijdragen

Vergelijking van SR-methoden: Eerste uitgebreide vergelijking van vier state-of-the-art SR-frameworks op een gedefinieerd astrofysisch probleem.
Interpreteerbaarheid vs. Prestatie: Demonstreert dat complexe "black-box" modellen niet significant beter presteren dan compacte, menselijk leesbare wiskundige formules voor dit specifieke probleem.
Fysische Inzichtelijkheid: De afgeleide functies bieden een transparante wiskundige beschrijving van de astrofysische grenzen tussen populaties, in plaats van alleen een classificatie.
Stabiliteitsanalyse: Introduceert een rigoureuze analyse van de parametrische stabiliteit van de drempelwaarden ( $t_1, t_2$ ) over verschillende fold-indelingen.

4. Resultaten

De prestaties werden gemeten aan de hand van Cohen's Kappa ( $\kappa$ ), Balanced Accuracy en Macro-F1-score.

Top-performer (MvSR): Het Multi-View Symbolic Regression framework behaalde de beste resultaten met een Cohen's Kappa van 0.8948 en een Balanced Accuracy van 92.51%. Het slaagde erin om de foutpieken bij de overgang tussen sterrenstelsels en quasers (rond $z \approx 1.25$ ) te verminderen door lokale aanpassingen.
Stabiliteit (PhySO): PhySO toonde uitzonderlijke parametrische stabiliteit met een standaardafwijking van de drempelwaarden van $\sigma < 0.002$ , wat aangeeft dat de gevonden oplossing zeer robuust is.
Vergelijking met Black-box modellen: De geoptimaliseerde "black-box" modellen (Random Forest, SVM, MLP) bereikten een Kappa van ongeveer 0.895 - 0.903. Dit betekent dat de compacte symbolische expressies (met slechts ~10 knopen in de boomstructuur) statistisch niet onderscheidbaar zijn van de complexe neurale netwerken.
Foutanalyse: De fouten zijn voornamelijk geconcentreerd in het roodverschuivingsbereik $z \approx 0.8 - 1.5$ , waar de spectrale kenmerken van sterrenstelsels en quasers fysiek overlappen (een fundamentele Bayes-fout in 1D-ruimte).

5. Betekenis en Conclusie

Dit onderzoek bevestigt dat Symbolische Regressie een krachtig hulpmiddel is voor "Explainable AI" (XAI) in de astroinformatica.

Efficiëntie: De ontdekte analytische functies zijn computerefficiënt en vereisen geen zware modelopslag, wat ze ideaal maakt voor geautomatiseerde spectroscopische workflows.
Fysische Grenzen: De convergentie van alle modellen (zowel SR als black-box) rond een Kappa van 0.90 suggereert dat de resterende classificatiefouten inherent zijn aan de fysieke degeneratie van de data in één dimensie (roodverschuiving), en niet aan tekortkomingen in het algoritme.
Toekomst: De auteurs stellen voor om in toekomstig werk fotometrische kleuren en multi-golflengte-gegevens toe te voegen om de degeneratie bij hoge roodverschuivingen op te lossen.

Kortom, de studie toont aan dat men geen "black box" hoeft te accepteren voor hoge classificatieprestaties; transparante, wiskundig compacte modellen kunnen dezelfde prestaties leveren en bieden bovendien direct inzicht in de onderliggende astrofysische wetmatigheden.