Enhancing astrometric registration of Chinese historical Astronomical Digital Plates with deep learning

Titel: Verbetening van de astrometrische registratie van Chinese historische astronomische digitale platen met diep leren

1. Het Probleem

China beschikt sinds 1900 over een uitgebreide collectie van 's nachts opgenomen astronomische fotografische platen. Deze zijn recentelijk gedigitaliseerd met hoge precisie-scanners. Voor wetenschappelijk gebruik moeten deze platen astrometrisch worden geregistreerd (gecorreleerd met moderne catalogi zoals Gaia) om hun positie, schaal en hoek te bepalen.

Echter, een aanzienlijk deel van deze platen (2.530 platen) kon niet succesvol worden gekalibreerd met bestaande methoden. De oorzaken zijn:

• Slechte opslagcondities: Krassen, emulsie-afbraak, ongelijke achtergronden en blootstellingsvariaties.
• Detectieproblemen: Traditionele software (zoals SExtractor) haalt veel ruis en artefacten (zoals vlekken of krassen) eruit die eruitzien als sterren.
• Beperkingen van eerdere methoden: Een eerdere studie (Shang et al., 2024) gebruikte een Support Vector Machine (SVM) gebaseerd op fotometrische parameters om sterren van artefacten te onderscheiden. Hoewel dit succesvol was voor duizenden platen, faalde het bij duizenden andere platen met zware degradatie of complexe patronen.

2. Methodologie

De auteurs introduceren een nieuwe, AI-gedreven pijplijn die gebruikmaakt van Swin Transformers (een type Vision Transformer) om sterrenbronnen te classificeren. De aanpak bestaat uit de volgende stappen:

• Data Voorbereiding:

  • Trainingsdata: Geselecteerd uit 15.696 platen die al succesvol waren gekalibreerd. Bronnen werden gekruist met de Gaia DR2-catalogus om "ware" sterren (positieve labels) te onderscheiden van ruis/artefacten (negatieve labels).
  • Balancing: Vanwege de ongelijke verdeling van platen over verschillende observatoria, werd een gebalanceerde steekproef genomen (1.000 platen) met 2.000 positieve en 2.000 negatieve voorbeelden per plaat voor het basismodel.
  • Input: Elke gedetecteerde bron wordt omgezet in een 64x64 pixels "cutout" (uitsnede).

• Architectuur (Swin Transformer):

  • Het model gebruikt een hiërarchische visuele transformer met verschoven vensters (shifted windows).
  • Het proces begint met het partitioneren van de input in patches, gevolgd door efficiënte self-attention-berekeningen binnen en tussen vensters.
  • Dit stelt het model in staat om zowel lokale details als globale context te begrijpen, wat cruciaal is om sterren te onderscheiden van complexe achtergrondartefacten.

• Twee-staps Strategie:

  1. Base Model: Een algemeen model wordt getraind op de diverse dataset om een eerste classificatie uit te voeren.
  2. Fine-tuning: Voor platen waar het Base Model faalt (vaak door specifieke telescoop-omstandigheden of zware schade), wordt een Fine-tuned Model getraind. Dit gebeurt door kleine subsets van platen met vergelijkbare fysieke kenmerken (zelfde telescoop, blootstellingstijd) te gebruiken voor aanpassing. Als metadata ontbreekt, wordt getraind op observatorium-niveau.

• Workflow:

  1. Bronnen extraheren met SExtractor.
  2. Classificeren met de AI (Base of Fine-tuned model) om alleen betrouwbare sterren te houden.
  3. Astrometrische matching uitvoeren met Astrometry.net en Gaia DR3.

3. Belangrijkste Bijdragen

• Toepassing van Deep Learning: Eerste succesvolle toepassing van een Transformer-architectuur (Swin Transformer) specifiek voor het filteren van artefacten in historische, vaak beschadigde, astronomische platen.
• Hybride Aanpak: Combinatie van een robuust "Base Model" met een adaptieve "Fine-tuning" strategie voor moeilijke gevallen, wat de flexibiliteit vergroot zonder dat een enorm, one-size-fits-all dataset nodig is voor elke specifieke plaat.
• Herstel van Verloren Data: Het succesvol astrometrisch registreren van platen die eerder als "onbruikbaar" werden beschouwd door traditionele methoden.

4. Resultaten

De methode werd toegepast op 1.883 niet-gekalibreerde platen:

• Base Model: Slaagde in het kalibreren van 1.083 platen.
• Fine-tuning: De overige platen werden behandeld met specifieke modellen, wat resulteerde in het succesvol kalibreren van 270 extra platen.
• Totaal: In totaal werden 1.353 platen (71,9% van de doelgroep) succesvol astrometrisch geregistreerd.

Kwaliteitsanalyse:

• Grade 1 (Intact): 82,0% succesrate.
• Grade 2 (Lichte defecten <25% oppervlak): 67,9% succesrate.
• Grade 3 (Matige defecten tot 50% oppervlak): 68,3% succesrate.
• Het model toonde een opmerkelijke robustheid; zelfs bij verdubbeling van het defectoppervlak bleef de succesrate stabiel rond de 68%.

Falen: De resterende 630 platen faalden voornamelijk door fundamentele optische problemen (zoals onscherpe sterren, sterrenhoop-dichtheid) of extreme fysieke schade (handgeschreven notities, vingerafdrukken) die de signaalkenmerken van sterren volledig vernietigden.

5. Betekenis en Conclusie

Deze studie demonstreert dat diep leren, en specifiek Transformer-architecturen, superieur zijn aan traditionele machine learning-methoden (zoals SVM) voor het analyseren van historische astronomische data.

• Wetenschappelijke Waarde: Het maakt een groot deel van de Chinese historische platen opnieuw toegankelijk voor langetermijnstudies in de tijdsdomein-astronomie (bijv. variabele sterren, astrometrische bewegingen).
• Toekomstperspectief: De auteurs suggereren dat toekomstige systemen objectdetectiemodellen (zoals YOLO) kunnen integreren om een volledig end-to-end systeem te creëren dat niet langer afhankelijk is van SExtractor, wat de verwerking van archieven verder zal stroomlijnen.
• Beschikbaarheid: De gekalibreerde data worden openbaar gemaakt via het National Astronomical Data Center (NADC).

Kortom, deze research redt een waardevol historisch dataset van veroudering en toont aan dat AI een krachtig instrument is om de "vuile" data uit het verleden om te zetten in nauwkeurige wetenschappelijke inzichten.