AutoClassMK: A public neural network for automatic 2D MK classification of normal stars in basic Python

Technische Samenvatting van AutoClassMK

Probleemstelling
Het artikel behandelt de behoefte aan transparante, geautomatiseerde classificatie van normale stellaire spectra binnen het Morgan-Keenan (MK) systeem. Hoewel neurale netwerken (NN's) steeds belangrijker zijn geworden in de astronomie, verduistert hun "ondoorzichtelijke" natuur vaak de onderliggende mechanica. De auteurs beogen de basismethodologie van eenvoudige NN's, specifiek back-propagation, te demystificeren door een volledig functionele, transparante implementatie te bieden voor 2D MK-classificatie (Spectraalklasse en Luminositeitsklasse) die volledig rust op basis van Python en NumPy, waarbij gespecialiseerde deep learning-bibliotheken voor de kernlogica worden vermeden.

Methodologie
De auteurs hebben AutoClassMK ontwikkeld, een vijflaags, volledig verbonden (dense), dubbelkopig neuraal netwerk.

• Data-augmentatie en Trainingssets:

  • De trainingsset werd geconstrueerd door de libr18 MK-atlas (Gray & Corbally 2014) te augmenteren. Om ervoor te zorgen dat elke combinatie van Spectraalklasse (SC) en Luminositeitsklasse (LC) vertegenwoordigd was, hebben de auteurs het LC-schema vereenvoudigd: LC II en IV werden herlabeld als III en V, respectievelijk, en LC Ia/Ib als I.
  • Elk van de 122 primaire spectra uit de libr18-atlas werd geaugmenteerd naar 300 ruizige variaties (totaal 36.600 trainingssamples). Deze variaties simuleerden realistische observationele fouten, waaronder:
    • Willekeurige fouten in de horizontale registratie van de nulde- en eerste orde (golflengte/pixel uitlijning).
    • Willekeurige Doppler-verschuivingen.
    • Fouten in de continuümrectificatie (polynomiale fitting van de nulde, eerste en tweede orde).
    • Variaties in spectrale verbreding (simulatie van macroturbulentie en rotatie via Gaussische convolutiekernels).
    • Poisson-ruis (signaal-ruisverhouding ~70, doelbewust onderschat om het netwerk te trainen op ruiziger data).
  • Een onafhankelijke testset van 2.910 spectra werd gegenereerd uit de libr18 27-atlas met behulp van vergelijkbare augmentatie (30 variaties per spectrum).

• Netwerkarchitectuur:

  • Input: 1.600 neuronen, overeenkomend met genormaliseerde fluxwaarden over 1.600 pixels (die het bereik van 3800–4600 Å vertegenwoordigen).
  • Verborgen lagen: Drie volledig verbonden lagen met respectievelijk 768, 256 en 64 neuronen.
  • Activatie: Het netwerk maakt gebruik van ofwel Rectified Linear Units (RELU) of Gaussian Error Linear Units (GELU).
  • Output (Dubbelkopig): De laatste laag splitst zich in twee parallelle lineaire transformaties:
    • SC Head: 31 neuronen (voor 31 spectraalklassen).
    • LC Head: 3 neuronen (voor de vereenvoudigde luminositeitsklassen I, III en V).
  • Loss en Optimalisatie: Het netwerk gebruikt Softmax-activatie bij de output-koppen om waarschijnlijkheidsverdelingen te genereren. Training minimaliseert de Cross-Entropy (CE) loss met behulp van Mini-batch Stochastic Gradient Descent (SGD). De gradiëntberekening berust op de afgeleide van de loss met betrekking tot de logits ($\vec{p} - \vec{l}$).

• Implementatie:

  • Het kernalgoritme is geschreven in basis Python en NumPy, waarbij matrixvermenigvuldigingen, bias-updates en back-propagation stappen expliciet worden gedetailleerd.
  • Een secundaire implementatie in PyTorch is gemaakt om CUDA GPU-executie mogelijk te maken en verder inzicht te bieden, waarbij dezelfde architectuur wordt gebruikt.

Belangrijkste Resultaten

• Convergentie: Het netwerk convergeerde binnen ongeveer 100 iteraties. De Cross-Entropy loss naderde asymptotisch ~0,018 voor SC en ~0,002 voor LC.
• Prestaties op de Testset (2.910 samples):
  • Luminositeitsclassificatie (LC): Behaalde een hoge precisie (0,97), recall (0,87) en een F1-score van 0,97. Het netwerk classificeerde correct alle 87 LC V-sterren en 78 van de 81 LC I-sterren in de specifieke libr18 225 testsubset.
  • Spectraalklassificatie (SC): Behaalde een gemiddelde F1-score van 0,86, met precisie en recall rond de 0,88 en 0,87, respectievelijk.
• Generalisatie: Bij testen op geaugmenteerde spectra van de libr18 225-atlas (85 spectra, 255 totale variaties), lag de voorspelde spectraalklasse over het algemeen binnen één subklasse van de werkelijke klasse. Het netwerk had de meeste moeite met het onderscheiden van LC III van LC V, waarbij het 13 van de 87 LC III-sterren als LC V classificeerde.

Betekenis en Claims
De primaire betekenis van AutoClassMK, zoals geclaimd door de auteurs, is de transparantie en educatieve waarde. Door gespecialiseerde bibliotheken voor de kernoperaties van het netwerk te vermijden, dient de code als een "gedemystificeerd" startpunt voor studenten om de mechanica van back-propagation en het trainen van neurale netwerken te begrijpen. De auteurs positioneren hun werk niet als een state-of-the-art oplossing die complexe Convolutionele Neurale Netwerken (CNN's) overtreft, maar als een robuuste, eenvoudige en volledig inspecteerbare baseline voor 2D MK-classificatie. Het artikel benadrukt dat het netwerk succesvol heeft geleerd om ruisige, slecht gekalibreerde spectra te herkennen, wat het nut van eenvoudige NN's voor deze specifieke empirische classificatietaak aantoont. Alle code, trainingssets en testsets zijn publiekelijk beschikbaar via de OpenStars-website.