Ítem
Acceso Abierto
Unsupervised machine learning for the classification of astrophysical X-ray sources
Título de la revista
Autores
Pérez Díaz, Víctor Samuel
Fecha
2021-11-24
Directores
Martínez Galarza, Juan Rafael
Caicedo Dorado, Alexander
ISSN de la revista
Título del volumen
Editor
Universidad del Rosario
Buscar en:
Métricas alternativas
Resumen
Contexto. El Chandra Source Catalog (CSC), que recoge las fuentes de rayos X detectadas por el Observatorio de Rayos X Chandra a lo largo de su historia, es un terreno fértil para el descubrimiento, ya que muchas de las fuentes que contiene no han sido estudiadas en detalle. En el CSC podríamos encontrar varios tipos de fuentes, desde objetos estelares jóvenes (YSO) y sistemas binarios, hasta incluso cuásares muy lejanos (QSO) o galaxias activas con agujeros negros supermasivos en sus núcleos. Entre las fuentes que podrían cambiar el paradigma y que podríamos buscar en los datos de Chandra están las fusiones de objetos compactos, los tránsitos de planetas extrasolares, los eventos de disrupción de mareas, etc. Sin embargo, sólo se ha clasificado una pequeña fracción de las fuentes del CSC. Para llevar a cabo una investigación exhaustiva de las fuentes del CSC, y estar preparados para los próximos grandes estudios de rayos X, necesitamos clasificar tantas fuentes del catálogo como sea posible. Objetivos. Este trabajo propone un enfoque de aprendizaje no supervisado para clasificar el mayor número posible de fuentes del Chandra Source Catalog, explorando primero las ventajas y los límites de utilizar sólo los datos de rayos X disponibles. El aprendizaje no supervisado es especialmente adecuado dada la gran cantidad de detecciones que aún no han sido clasificadas de forma independiente. Agrupando las observaciones de las fuentes por sus similitudes, y asociando después estos grupos con objetos previamente clasificados espectroscópicamente, buscamos proponer una nueva metodología que pueda proporcionarnos una clasificación probabilística para una numerosa cantidad de fuentes. Métodos. Empleamos métodos de aprendizaje no supervisado, primero K-means, y luego Gaussian Mixtures, aplicados a una lista de propiedades de rayos X, para clasificar probabilísticamente las fuentes de alta energía en el Chandra Source Catalog (CSC). Esto lo conseguimos asociando clusters específicos con aquellos objetos del CSC que tienen una clasificación en la base de datos SIMBAD, y luego asignando clases probabilísticas por asociación a los objetos no clasificados en cada cluster con un algoritmo basado en la distancia de Mahalanobis. Resultados. Somos capaces de identificar con éxito clusters de objetos previamente identificados que probablemente pertenezcan a la misma clase, e incluso dentro de los grupos que fueron identificados teniendo predominantemente un tipo de fuente, como "galaxias", "QSO", "YSO", encontramos subclases relacionadas con su variabilidad y propiedades espectrales únicas. El resultado de este ejercicio es una clasificación probabilística robusta (es decir, una posterior sobre las clases) para 10090 de las fuentes del CSC. Las tablas correspondientes a cada cluster y el código respectivo están disponibles en https://github.com/BogoCoder/astrox. Conclusiones. Hemos desarrollado una metodología para proporcionar una asignación probabilística de clases a numerosas fuentes de rayos X del Chandra Source Catalog. A través de este proceso hemos visto que es posible construir un pipeline basado en aprendizaje automático no supervisado para esta tarea. Hemos visto que nuestro enfoque funciona bien para determinados tipos de fuentes generales, como un YSO, o fuentes extragalácticas. En otros casos, tenemos ambigüedad en el número de clases presentes en un cluster particular, teniendo clases predominantes muy diferentes dentro de ellos. Esta ambigüedad podría resolverse añadiendo datos de otro régimen de longitudes de onda, como datos ópticos del SDSS (Sloan Digital Survey Summary). Este análisis está previsto para un futuro trabajo. Esta tesis presenta una primera aproximación al objetivo final de clasificar todas las posibles fuentes CSC que carecen de una clase.
Abstract
Context. The Chandra Source Catalog (CSC), which collects the X-ray sources detected by the Chandra X-ray Observatory through its history, is a fertile ground for discovery, because many of the sources it contains have not been studied in detail. In CSC we could find several types of sources, from young stellar objects (YSO) and binary systems, to even very far quasars (QSO) or active galaxies with supermassive black holes in their cores. Among the potentially paradigm changing sources that we could look for in Chandra data are compact object mergers, extrasolar planet transits, tidal disruption events, etc. However, only a small fraction of the CSC sources have been classified. In order to conduct a thorough investigation of the CSC sources, and to be prepared for the coming very large X-ray surveys, we need to classify as many catalog sources as possible. Aims. This work proposes an unsupervised learning approach to classify as many Chandra Source Catalog sources as possible, first exploring the advantages and limits of using only the X-ray data available. Unsupervised learning is particularly suitable given the vast amount of detections that have not been independently classified yet. Clustering the source observations by their similarities, and then associating these clusters with objects previously classified spectroscopically, we aim to propose a new methodology that could provide us with a probabilistic classification for a numerous amount of sources. Methods. We employ unsupervised learning methods, first K-means, then focusing on Gaussian Mixtures, applied to a list of X-ray properties, to probabilistically classify high energy sources in the Chandra Source Catalog (CSC). We achieve this by associating specific clusters with those CSC objects that have a classification in the SIMBAD database, and then assigning probabilistic classes by association to unclassified objects in each cluster with an algorithm based on the Mahalanobis distance. Results. We are able to successfully identify clusters of previously identified objects that likely belong to the same class, and even within groups that were identified as having predominantly a type of source, such as "galaxies", "QSO", "YSO", we find sub-classes related to their unique variability and spectral properties. The result of this exercise is a robust probabilistic classification (i.e. a posterior over classes) for 10090 of CSC sources. The tables for each cluster and respective code is available at https://github.com/BogoCoder/astrox. Conclusions. We developed a methodology to provide probabilistic class assignation to numerous X-ray sources of the Chandra Source Catalog. Through this process we have seen that it is possible to construct a pipeline based on unsupervised machine learning for this task. We have seen that our approach works well for particular general type of sources, such as a YSO, or extra-galactic sources. In other cases, we have ambiguity in the number of classes presented in a particular cluster, having very different predominant types within them. This ambiguity might be solved by an addition of other wavelength regime data, such as optical from SDSS (Sloan Digital Survey Summary). This analysis is planned for a future work. This thesis present an early approach for the final goal of classifying all possible CSC sources that lacks of a class.
Palabras clave
Clustering , GMM , K-means , Chandra Source Catalog , Chandra X-ray Observatory , Clasificación , Agrupación , Aprendizaje automático no supervisado , Astrofísica de alta energía , Rayos X
Keywords
Classification , Clustering , K-means , GMM , Chandra X-ray Observatory , Chandra Source Catalog , Unsupervised Machine Learning , X-ray , High Energy Astrophysics
