Precise photometry and photo-z s with multi narrow-band data and deep learning
- Autores: Laura Cabayol García
- Directores de la Tesis: Martin Børstad Eriksen (dir. tes.)
- Lectura: En la Universitat Autònoma de Barcelona ( España ) en 2022
- Idioma: inglés
- Número de páginas: 196
- Tribunal Calificador de la Tesis: Kai Lars Polsterer (presid.), Cristóbal Padilla Aranda (secret.), Micol Bolzonella (voc.)
- Programa de doctorado: Programa de Doctorado en Física por la Universidad Autónoma de Barcelona
- Materias:
- Enlaces
- Tesis en acceso abierto en: TDX
- Resumen
- español
En las últimas décadas, mejoras tecnológicas como la potencia de cálculo de los ordenadores y de los fotodetectores, han generado un progreso sin precedentes en el conocimiento del Universo. Las exploraciones sistemáticas del Universo nos han permitido obtener catálogos fotométricos de galaxias, necesarios para poder calcular la distancia a la que se encuentran las galaxias (redshift) y realizar mapas del Universo. En la actualidad, se han observado del orden de millones de galaxias, pero exploraciones venideras, como por ejemplo las que harán Euclid o LSST, observaremos del orden de billones. Todos estos datos requerirán métodos rápidos y precisos para calcular la fotometría y el redshift de las galaxias.\\ Esta tesis se centra en el desarrollo de un algoritmo de aprendizaje profundo para medir simultáneamente la fotometría y el redshift de una galaxia. El algoritmo se implementa directamente sobre imágenes astronómicas y va de extremo a extremo, incrementando paulatinamente la complejidad del proceso de extracción de datos. De esta forma, hemos optimizado cada paso de la reducción de imágenes de forma independiente. Esto nos ha permitido aprender los requerimientos y mecanismos de las redes neuronales utilizadas. Para desarrollar el método, hemos utilizado datos del experimento Physics of the Accelerating Universe Survey (PAUS). La primera parte de la tesis se enfoca en la predicción del ruido de fondo de las imágenes utilizando redes neuronal convolucionales. Por término medio, el algoritmo mejora la fotometría de las galaxias entre un 7 y un 20%. Además, nuestras medidas de ruido reducen un 35% los photo-z atípicos presentes en la muestra. La segunda parte de la tesis extiende el trabajo previo y desarrollamos una red neuronal que mide la distribución de probabilidad de la fotometría en cada lado banda de forma independiente. Nuestra fotometría duplica la señal-ruido de las medidas de flujo realizadas con un código existente de fotometría de apertura. Nuestro algoritmo de aprendizaje profundo incorpora otros beneficios como robustez en presencia de elementos distorsionados, e.g. rayos cósmicos. Esto permite reducir el número de galaxias con fotometría atípica de un 10% a un 2%, en comparación con la fotometría de apertura. La tesis también explora cómo mejorar las medidas del redshift de las galaxias fotografiadas con filtros fotométricos de banda ancha utilizando observaciones en bandas estrechas. El método consiste en una red neuronal multitarea que predice el redshift y la fotometría en banda estrecha de una galaxia a partir de su fotometría en banda ancha. La fotometría está correlacionada con el redshift, así la red neuronal puede utilizar el conocimiento adquirido en la predicción de una de las cantidades para mejorar la otra. La fotometría en banda estrecha no son datos de entrada en la red neuronal. De esta forma, una vez entrenada, la red puede predecir el redshift de cualquier galaxia a partir de su fotometría en banda ancha sin requerir fotometría en banda estrecha. En el campo ''COSMOS'', nuestro método predice photo-z con un 14% más de precisión hasta magnitudes i<23 y reduce el número de photo-z atípicos un 40%. Además, hemos podido probar en simulaciones que la red neuronal multitarea también reduce un 15% la dispersión en el photo-z de galaxias con magnitud 24
- català
En les darreres dècades, millores tecnològiques com la potència de càlcul dels ordinadors i dels fotodetectors, han provocat un progrés sense precedents en el coneixement de l'Univers. Les exploracions sistemàtiques de l'Univers ens han permès obtenir catàlegs fotomètrics de galàxies, que són necessaris per poder calcular la distància a la qual es troben les galàxies (redshift) i poder així fer mapes de l'Univers. En l'actualitat, s'han observat de l'ordre de milions de galàxies, però en properes exploracions, com per exemple les que faran Euclid o LSST, n'observarem de l'ordre de bilions. Totes aquestes dades requeriran mètodes ràpids i acurats per a calcular la fotometria i el redshift de les galàxies. Aquesta tesi se centra en el desenvolupament d'un algoritme d'aprenentatge profund per mesurar simultàniament la fotometria i el redshift d'una galàxia. L'algoritme s'implementa directament sobre imatges astronòmiques i va d'extrem a extrem, incrementant gradualment la complexitat del procés d'extracció de dades. D'aquesta manera, hem optimitzat cada pas de la reducció d'imatges de manera independent, fet que ens ha permès aprendre els requeriments i mecanismes de les xarxes neuronals emprades. Per desenvolupar el mètode, hem utilitzat dades de l'experiment Physics of the Accelerating Universe Survey (PAUS).\\ La primera part de la tesi s'enfoca en la predicció del soroll de fons de les imatges utilitzant xarxes neuronal convolucionals. De mitjana, l'algoritme millora la fotometria de les galàxies entre un 7 i un 20%. A més a més, les nostres mesures de soroll redueixen un 35% els photo-z atípics presents en la mostra.\\ La segona part de la tesi, extenem el treball previ i desenvolupem una xarxa neuronal que mesura la distribució de probabilitat de la fotometria en cada banda fotomètrica de manera independent. La nostra fotometria duplica el senyal-soroll de les mesures de flux realitzades amb un codi existent de fotometria d'obertura. El nostre algoritme d'aprenentatge profund incorpora altres beneficis com robustesa en presència d'elements distorsionats, per exemple raigs còsmics, i menys sensitivitat a inexactituds en els paràmetres que defineixen les galàxies. Això permet reduir el nombre de galàxies amb fotometria atípica d'un 10% a un 2%, en comparació amb la fotometria d'obertura. La tesi també explora com millorar les mesures del redshift de les galàxies fotografiades amb filtres fotomètrics de banda ampla utilitzant observacions en bandes estretes. El mètode consisteix en una xarxa neuronal multitasca que prediu el redshift i la fotometria en banda estreta d'una galàxia a partir de la seva fotometria en banda ampla. La fotometria està correlacionada amb el redshift, així la xarxa neuronal pot emprar el coneixement adquirit en la predicció d'una de les quantitats per millorar l'altra. La fotometria en banda estreta no són dades d'entrada a la xarxa neuronal. D'aquesta manera, un cop entrenada la xarxa pot predir el redshift de qualsevol galàxia a partir de la seva fotometria en banda ampla sense requerir fotometria en banda estreta. Al camp ''COSMOS··, el nostre mètode prediu photo-z amb un 14% més de precisió fins a magnituds i<23 i redueix el nombre de photo-z atípics un 40%. A més, hem pogut provar en simulacions que la xarxa neuronal multitasca també redueix un 15\% la dispersió en el photo-z de galàxies amb magnitud 24
- English
In recent decades, technological improvements such as the computing power of computers and photodetectors have generated unprecedented progress in our knowledge of the Universe. Systematic explorations of the Universe have allowed us to obtain photometric catalogs of galaxies, necessary to calculate the distance at which galaxies are located (redshift) and make maps of the Universe. Currently, galaxies on the order of millions have been observed, but future explorations, such as those carried out by Euclid or LSST, will observe galaxies on the order of billions. All of this data will require fast and accurate methods to calculate the photometry and redshift of galaxies.\\ This thesis focuses on the development of a deep learning algorithm to simultaneously measure the photometry and redshift of a galaxy. The algorithm is implemented directly on astronomical images and goes from end to end, gradually increasing the complexity of the data extraction process. In this way, we have optimized each step of image reduction independently. This has allowed us to learn the requirements and mechanisms of the neural networks used. To develop the method, we have used data from the Physics of the Accelerating Universe Survey (PAUS) experiment. The first part of the thesis focuses on the prediction of background noise in images using convolutional neural networks. On average, the algorithm improves galaxy photometry by 7 to 20%. Furthermore, our noise measurements reduce the atypical photo-z present in the sample by 35%. The second part of the thesis extends the previous work and we develop a neural network that measures the probability distribution of the photometry on each band side independently. Our photometry duplicates the signal-to-noise of flow measurements made with an existing aperture photometry code. Our deep learning algorithm incorporates other benefits such as robustness in the presence of distorted elements, e.g. cosmics rays. This allows the number of galaxies with atypical photometry to be reduced from 10% to 2%, compared to aperture photometry. The thesis also explores how to improve redshift measurements of galaxies imaged with broadband photometric filters using narrow band observations. The method consists of a multitask neural network that predicts the redshift and narrowband photometry of a galaxy from its broadband photometry. Photometry is correlated with redshift, so the neural network can use the knowledge acquired in predicting one of the quantities to improve the other. Narrowband photometry is not input data into the neural network. In this way, once trained, the network can predict the redshift of any galaxy from its broadband photometry without requiring narrowband photometry. In the ''COSMOS'' field, our method predicts photo-z with 14% more accuracy up to magnitudes i<23 and reduces the number of outlier photo-z by 40%. Furthermore, we have been able to prove in simulations that the multitasking neural network also reduces the dispersion in the photo-z of galaxies with magnitude 24
- español
