Robert Bickley
University of Victoria
Robert’s research focuses on the intersection between observational astronomy and machine learning, specifically, using machine vision techniques to identify galaxies that have recently undergone a merger with another galaxy. Mergers often leave behind a distinct visual signature, giving rise to unusual morphologies and leaving behind displaced streams of stars. To identify mergers using machine vision, he trains Convolutional Neural Networks (CNNs) on examples of mergers and non-mergers taken from a simulation (IllustrisTNG) and modified to look like real observations. He can then use the simulation data to identify where the CNNs are successful, and where they struggle.
La recherche de Robert se concentre sur l’interaction entre l’astronomie observationelle et l’apprentissage automatique. Il utilise les techiques visuelles à identifier les galaxies qui sont subies récemment les fusions avec une autre galaxie. Ces fusions ont une signature distincte — elles créent les morphologies bizarres et deplacent 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.
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.