Astronomaly：利用 CNN 和主动学习识别 400 万张星系图像中的异常

星系中的异常现象是我们了解宇宙的关键。然而，随着天文观测技术的发展，天文数据正以指数级别增长，超出了天文工作者的分析能力。
尽管志愿者可以在线上参与对天文数据的处理，但他们只能进行一些简单的分类，还可能会遗漏一些关键数据。
为此，研究者基于卷积神经网络和无监督学习开发了 Astronomaly 算法。近日，西开普大学的研究人员首次将 Astronomaly
用于大规模的数据分析，尝试从 400 万张星系照片中探寻宇宙的异常。

作者 | 雪菜
编辑 | 三羊、铁塔

星系中的异常现象 (Anomaly) 是我们了解宇宙的关键。通过对巡天望远镜 (Survey Telescope) 记录到的图像进行分析，研究人员能够找出星系中的异常现象，进而对宇宙的起源和演化做出推断。

然而，这一过程正面临着严峻的挑战，因为天文观测数据量正以指数级别在增长。以即将投入使用的薇拉·鲁宾天文台为例，这一天文台有着世界上最大的数码相机，预计每晚将记录 20 TB 的数据，十年间记录 60 PB 的数据，对约 200 亿个星系进行 32 万亿次观察，远超研究人员人力所能分析的极限。

图 1：正在建设的薇拉·鲁宾天文台

2007 年 7 月，一些研究者启动了 Galaxy Zoo 项目，通过线上招募志愿者的方式推进天文观测图像分类。这一项目吸引了约 15 万名志愿者，共对斯隆数字巡天项目 (SDSS) 记录到的 100 万个星系图像进行了超过 4,000 万次分类。

图 2：Galaxy Zoo 项目首页

但志愿者只能做一些基础的工作，而且很容易忽视掉图像中的细节。而机器学习长于图像分析和数据归类，在天文分析中大有可为。监督学习已被广泛用于天文数据分析，但这些算法需要大量的训练数据和预定义，在寻找异常现象中表现不佳。

为此，2021 年研究人员基于卷积神经网络 (CNN) 开发了无监督机器学习算法 Astronomaly，并在不同任务中有着优异的表现。近日，西开普大学的研究者利用 Astronomaly 对约 400 万张星系图像进行分析，首次将这一算法应用于大规模的数据分析，并找到了之前为人忽视的异常现象。这一成果已在 arXiv 发表预印版。

这一成果已发表于 arXiv

论文链接：

https://arxiv.org/abs/2309.08660

实验过程

数据集：暗能量巡天相机

本研究的数据集主要为暗能量巡天相机 (DECaLS) 的第八批公开数据 (DR8) 中 g、r、z 波段中记录的图像。

随后，对数据集中的图像进行筛选。去除被伪迹和恒星遮盖的图像，同时排除与标准星系模型不符的图像，最后留下了 3,884,404 张星系图像。

特征提取：CNN + PCA

为了提高 Astronomaly 的计算效率，需要对高维的图像进行特征提取，将其转变为低维向量。

本研究通过预训练的 CNN 对图像进行特征提取。CNN 的每一层会对输入图像进行不同变换，生成一个可以代表图像特征的向量。

CNN 最终输出了包含 1,280 个图像特征的向量。随后，研究人员利用主成分分析 (PCA) 进一步降低数据维度。PCA 是一种常用的统计方法，能够基于数据的方差将一组相关的变量转换为不相关的主成分。通过 PCA，图像的维度进一步降低至 26，提高了 Astronomaly 的处理效率。

异常监测：iForest + 主动学习

Astronomaly 结合孤立森林 (iForest) 和局部离群因子 (LOF) 算法进行异常监测。在数据测试中，LOF 算法很难应用于大规模的数据，而 iForest 算法能够通过决策树迅速找到图像中的异常。因此，在后续分析中均使用 iForest 算法。

随后， Astronomaly 通过 K-近邻算法 (NS) 和直接回归算法 (DR) 进行主动学习，不断更新数据集中图像的异常评分。

NS 算法可以基于少量人工标注的评分，通过随机森林回归算法预测用户对所有图像的评分。而 DR 算法会直接尝试「模拟」用户对图像的评分。

最终，两种算法的评分结果将与人工标注的数据进行结果对比，进行评估。

图 3：部分被标注的图像。Label 0 结果中自左向右分别为伪迹、遮罩和低信噪比。

Label 5 结果自左向右分别对应星系融合、引力透镜和尚未归类。

引力透镜是指强引力天体使得附近的光不再沿直线传播的效应，与透镜对光线的折射作用类似。

对比验证：Recall 曲线 + UMAP

研究人员利用 iForest、NS 和 DR 算法对验证集中的数据进行了预测。评价集包含 184 个异常现象。iForest 算法在 500 个异常评分最高的图像中仅发现了 15 处异常，而 DR 和 NS 算法均找到了 84 处异常。

图 4：不同算法的预测结果

进一步，研究人员将 iForest 和 NS 算法的预测结果按照伪迹、引力透镜和星系融合进行了分类，发现了 iForest 算法表现不佳的原因。

图 5：iForest（虚线）和 NS（实线）算法的结果归类

如图所示，iForest 算法发现的异常大多是伪迹。这些技术异常虽然也是异常，但没有什么科学价值。上述结果说明，NS 和 DR 算法可以帮助 Astronomaly 迅速排除伪迹的干扰，找到宇宙中的异常现象。

同时，研究人员利用统一流形逼近投影法 (UMAP, Uniform Manifold Approximation and Projection) 对验证集中的图像进行了分类。

图 6：评估集的 UMAP 结果 UMAP 根据图像的异常分数进行分类。1 分的图像为普通的星系图像，即没有任何特殊情况的星系。各类图像周围均存在大量的 1 分普通图像，为 iForest 算法的预测提供了障碍。

可以看到，0 分的伪迹和 5 分的异常现象在图中被分为紧密的团簇，说明两类图像都有很明显的特征。但同时，两类图像的分布很近，很容易让 iForest 算法产生误判。

大规模应用：标注与探索

在对不同算法的性能进行评估后，研究人员将 NS 算法用于整个数据集中。

图中可以看到，当不对数据进行任何标注时，即无主动学习的 iForest 算法，结果中几乎看不到曲线，因为 iForest 算法在 2,000 个异常评分最高数据中只找到了一处异常。

图 7：NS 算法在不同标注数量下的预测结果

然而，对数据集中 2,000 个数据进行标注后，Astronomaly 能够通过主动学习迅速找到图像中的异常。当标注数为 4,000 时，Astronomaly 新找到的异常现象最多，随后开始下降，说明此时不需要额外的标注，可以增大数据集。

后续调查：1635/2000

在对数据集中所有图像进行分析后， Astronomaly 从异常评分最高的 2,000 张图像中找到了 1,635 处异常，其中 8 处引力透镜、18 处未被归类的现象、1609 处星系融合。

图 8：Astronomaly 发现的引力透镜

图 9：Astronomaly 发现的未被归类的异常

图 10：Astronomaly 发现的星系融合 # 迈向宇宙的 AI 随着天文观测数据量不断增加，善于数据分析的 AI 在天文学中的地位也逐渐提高。**早在 2020 年，英国华威大学的研究者就利用 AI 从 NASA 的旧数据中找到了 50 个新行星。**

同时，被称为「中国天眼」的 500 米口径球面射电望远镜 (FAST) 也面临着数据量过大的问题，而 AI 为他们提供了解决方案。2021 年，FAST 与腾讯优图实验室合作，对 FAST 数据进行分析，很快就找到了 5 颗脉冲星。

AI 在其他方面也发挥着自己的作用。2019 年，视界面望远镜 (ETH) 团队发布了世界上第一张黑洞照片。四年后，美国的研究人员利用 AI 对这张照片进行了图像处理，得到了更高清的黑洞照片，为黑洞「美颜」。

图 11：原始黑洞照片（左）和处理后的黑洞照片（右） 也许同人类一样，AI 也有着星辰大海的雄心。如今它将步伐迈向了宇宙，在浩如烟海的数据中寻找宇宙演化的蛛丝马迹。从新的行星，到新的脉冲星，再到新的宇宙异常现象，AI 正在开启天文学新的未来。

参考链接：

[1]https://zoo4.galaxyzoo.org/?lang=zh_cn#/classify

[2]https://www.cas.cn/kj/202009/t20200901_4757754.shtml

[3]https://www.thepaper.cn/newsDetail_