Учёные создали нейросеть для классификации миллионов космических объектов

Различия в спектрах, спектроскопических характеристиках и морфологии различных типов космических объектов. Сверху вниз показаны примеры галактики, квазара и звезды. Спектроскопические данные взяты из SDSS, а данные SED и изображения — из обзора KiDS. Автор: The Astrophysical Journal Supplement Series (2025). DOI: 10.3847/1538-4365/adde5a

Исследователи из Обсерваторий Юньнань Китайской академии наук разработали метод классификации космических объектов в крупных масштабах с использованием нейронных сетей. Результаты исследования были опубликованы в журнале The Astrophysical Journal Supplement Series.

Точная классификация звёзд, галактик и квазаров играет ключевую роль в понимании структуры и эволюции Вселенной. Хотя спектроскопические наблюдения обеспечивают высокую точность классификации, они требуют значительных временных и ресурсных затрат.

Фотометрическая съёмка, напротив, более эффективна и позволяет обнаруживать более тусклые объекты. Однако классификация, основанная только на морфологических особенностях или распределении спектральной энергии (SED), часто сталкивается с неоднозначностью. Например, квазары с высоким красным смещением и звёзды выглядят как точечные источники на изображениях, что затрудняет их различение.

Для решения этих проблем команда разработала мультимодальную нейросеть, способную одновременно анализировать морфологические и спектральные характеристики. Объединив эти данные, модель достигла высокой точности классификации звёзд, квазаров и галактик. Обучение проводилось на подтверждённых спектроскопически источниках из релиза Sloan Digital Sky Survey Data Release 17.

Применение модели к пятому релизу обзора Kilo-Degree Survey (KiDS) позволило классифицировать более 27 миллионов космических объектов ярче 23-й звёздной величины на площади около 1350 квадратных градусов.

Матрица ошибок классификации на выборке из 20 000 космических объектов. Автор: The Astrophysical Journal Supplement Series (2025). DOI: 10.3847/1538-4365/adde5a

Тестирование подтвердило эффективность модели. При анализе 3,4 миллиона источников Gaia с заметным собственным движением или параллаксом (характерными для звёзд) модель правильно идентифицировала 99,7% как звёздные объекты. Аналогичные результаты были получены с данными Galaxy And Mass Assembly Data Release 4, где 99,7% источников были верно классифицированы как галактики или квазары.

Особенно важно, что модель смогла исправить ошибки классификации в существующих каталогах. Например, некоторые объекты, визуально идентифицируемые как галактики, но ошибочно помеченные как звёзды в SDSS, были правильно переклассифицированы нейросетью.

Дополнительная информация: Hai-Cheng Feng et al, Morpho-photometric Classification of KiDS DR5 Sources Based on Neural Networks: A Comprehensive Star–Quasar–Galaxy Catalog, The Astrophysical Journal Supplement Series (2025). DOI: 10.3847/1538-4365/adde5a

Источник: Chinese Academy of Sciences