Robert Bickley

Université de Victoria

Décembre 2020

Les recherches de Robert portent sur l'intersection entre l'astronomie observationnelle et l'apprentissage automatique, et plus particulièrement sur l'utilisation de techniques de vision artificielle pour identifier les galaxies ayant récemment fusionné avec une autre galaxie. Ces fusions laissent souvent une signature visuelle distincte, donnant naissance à des morphologies inhabituelles et laissant des flux d'étoiles déplacés. Pour identifier les fusions grâce à la vision artificielle, il entraîne des réseaux de neurones convolutifs (CNN) sur des exemples de fusions et de non-fusions issus d'une simulation (IllustrisTNG) et modifiés pour reproduire des observations réelles. Il peut ensuite utiliser les données de simulation pour identifier les points forts et les points faibles des CNN.

La recherche de Robert se concentre sur l'interaction entre l'astronomie observationelle et l'apprentissage automatique. Il utilise les techniques visuelles pour identifier les galaxies qui ont subi récemment des fusions avec une autre galaxie. Ces fusions ont une signature distincte — elles créent les morphologies bizarres et déplacent les étoiles qui s'appartiennent aux galaxies. Pour identifier les fusions en utilisant l'apprentissage automatique, il entraîne les réseaux au neurones convolutifs sur les fusions (et non-fusions) prises de la simulation bien connue : IllustrisTNG. Il les utilise d'entraîner, valider et tester les réseaux.

Cette figure illustre la capacité d'un réseau neuronal convecteur (CNN) à identifier les fusions et les non-fusions en fonction de l'environnement. Si une galaxie a une voisine très proche, sa valeur r_1 sera faible. En l'absence de voisines proches, r_1 sera très élevé. Le panneau supérieur indique le nombre total de galaxies post-fusion et de témoins (histogrammes bleu et orange, respectivement), classés par ordre de classification (fp, marron : témoins classés comme post-fusions ; tn, violet : témoins correctement classés ; fn, rouge : post-fusions classées comme témoins ; tp, vert : post-fusions correctement classées). Le panneau inférieur indique la fraction d'images de galaxies post-fusion et témoins correctement identifiées par le modèle. La figure démontre que le modèle conserve une grande partie de sa capacité à distinguer les fusions et les non-fusions avec une voisine proche jusqu'à 10 kiloparsecs, en dessous de laquelle la dégénérescence visuelle devient prohibitive. Cependant, de tels voisins proches sont rares, tant dans la simulation que dans l’Univers réel, et ne présentent donc pas une source significative de contamination. Cette figure démontre l'habilité du réseau à identifier les fusions en fonction de leur environnement. Si une galaxie à une voisine proche, sa valeur de r_1 va être petite ; par contre, s'il n'y a pas de voisines, la valeur de r_1 va être tellement grande. Le panneau en haut montre le nombre total de fusions et les contrôles (bleue et orange). De plus, il catégorise les classifications comme correctes ou incorrectes (fp, brun : contrôle classé comme un fusion ; tn, violet : contrôles bien-classifiés ; fn, rouge : les fusions classifiées comme des contrôles ; tp, verte : fusions bien-classifiées). Le panneau en bas montre la fraction de fusions et galaxies de contrôle qui sont identifiées correctement par le réseau.

This figure shows how well a CNN identifies mergers and non-mergers as a function of the environment. If a galaxy has a neighbor very close by, it will have a small r_1 value. If there are no nearby neighbors, r_1 will be very large. The top panel shows the total number of post-mergers and controls (blue and orange histograms, respectively), further broken down as correctly and incorrectly classified (fp, brown: controls classified as post- mergers; tn, purple: correctly-classified controls; fn, red: post-mergers classified as controls; tp, green: correctly-classified post-mergers). The bottom panel shows the fraction of post-merger and control galaxy images correctly identified by the model. The figure demonstrates that the model retains much of its ability to distinguish between mergers and non-mergers with a close neighbor down to 10 kiloparsecs, below which the visual degeneracy becomes prohibitive. However, such close neighbors are rare in both the simulation and the real Universe, and therefore do not present a significant source of contamination. Cette figure demontre l’habilité du réseau à identifier les fusions comme une fonction de leur environment. Si une galaxie a une voisine proche, sa valeur de r_1 va être petite; par contre, s’il n’y a pas de voisines, la valeur de r_1 va être tellement grande. Le panneau en haut démontre le nombre total de fusions et les contrôles (bleue et orange). De plus, il catégorise les classifications comme correcte ou incorrecte (fp, brun: contrôle classifié comme un fusion; tn, violet: contrôles bien-classifiées; fn, rouge: les fusions classifées comme des contrôles; tp, verte: fusions bien-classifiées). Le panneau en bas montre la fraction de fusions et galaxies de contrôle qui sont identifiées correctement par le réseau.