Unsupervised classification of large samples of galaxy spectra
Classification non supervisée de gros échantillons de spectres de galaxies
Résumé
In astrophysics, classifications prove to be particularly useful to retrieve the typical archetypes of one’s objects of interest and facilitate population analysis. Among others, this applies to galaxies. Soon after their discovery, they were classified in morphological schemes that are still prevalent today due to how they correlate with certain physical properties. However, thanks to numerous technological breakthroughs, it is possible nowadays to tackle galaxy classification through the prism of spectroscopy. Spectra encompass a lot more information and features than morphology and could hence be used to reach a finer and more meaningful classification. This next-to-unexplored yet promising prospect is precisely what my thesis was anchored around.Contrary to images of galaxies, spectra are not prone to visual classification due to their complexity. Not only that, but the quantity of observations is such that many processes have to be automated; this is where machine learning and statistical methods come into play. During my thesis, I focused on one particular classification algorithm called Fisher-EM and explored its application to this astrophysical problem. This algorithm, which uses a Gaussian mixture model in a discriminative latent subspace, was chosen for its unsupervised nature, and its ability to deal with high-dimensional data, hence making it a perfect fit for the matter.The first part of my thesis consisted in investigating the power and limitations of Fisher-EM on simulated data. I used a sample of 12 000 optical galaxy spectra that was previously generated with the code CIGALE, and I adapted it for this study. The simulated nature of the data allowed me to draw direct conclusions on the physical relevance of the classifications produced by studying the distribution of the simulation parameters within the classes. I initially focused on noiseless data and concluded that Fisher-EM was able to successfully extract useful physical information within the spectra to build a meaningful classification. Upon multiple computations, these results proved to be robust and local minima were consistently avoided. Then, I investigated the effect of noise on the classification process by adding artificial noise to the simulated data. I showed that the results remained very robust down to a signal-to-noise ratio (S/N) of 3 and that meaningful discrimination was still retrieved down to an S/N of 1.Next, I went on to work on observed spectra and focused on 80 000 galaxies of redshift 0.4 < z < 1.2 from the VIMOS Public Extragalactic Redshift Survey. Observed data is intertwined with instrumental effects, noise, and contamination by the atmosphere, which all had to be addressed carefully for the best results. The sample was split into 26 subsamples to limit the loss of information due to redshift, and each of these subsamples was classified independently of one another. Links between classes were then retrieved using the k-Nearest Neighbours algorithm, hence creating a tree-like structure revealing the evolutionary pathways of the classes. Three sub-trees emerged, separating quiescent galaxies, from ones with moderate star formation, and others with ongoing intense star-formation events. Finer discrimination is made down the branches, retrieving, among others, post-starburst galaxies and possibly AGNs.This thesis work highlights a fully automated and data-driven approach capable of providing physically meaningful spectroscopic classifications of galaxies. For the first time, the diversity of optical spectra of galaxies within redshifts 0.4 < z < 1.2 was mapped in an unsupervised and automated manner, and their evolution throughout the history of the Universe was investigated. Together with new spectroscopic observations of very high redshift galaxies that the JWST will provide, this opens novel and promising perspectives to unravel the unanswered questions surrounding the formation and evolution of galaxies.
Peu après leur découverte, les galaxies ont été classées selon des schémas morphologiques qui sont toujours d'actualité en raison de leur corrélation avec certaines propriétés physiques. Cependant, grâce à de nombreuses avancées technologiques, il est aujourd'hui possible d'aborder la classification des galaxies à travers le prisme de la spectroscopie. Les spectres contiennent beaucoup plus d'informations que la morphologie et pourraient donc être utilisés pour obtenir une classification plus fine et pertinente. Cette perspective encore inexplorée, mais pourtant prometteuse, est précisément l'objet de ma thèse.Contrairement aux images de galaxies, les spectres ne se prêtent pas à une classification visuelle en raison de leur complexité. De plus, la quantité de données est telle que de nombreux processus doivent être automatisés ; c'est là que l'apprentissage automatique et les méthodes statistiques entrent en jeu. Au cours de ma thèse, je me suis concentré sur un algorithme de classification appelé Fisher-EM et j'ai exploré son application à ce problème astrophysique. Cet algorithme, qui utilise un modèle de mélange gaussien dans un sous-espace latent discriminant, a été choisi pour sa nature non supervisée et sa capacité à traiter des données de haute dimension, ce qui le rend parfaitement adapté au problème.La première partie de ma thèse a consisté à étudier la puissance et les limites de Fisher-EM sur des données simulées. J'ai utilisé un échantillon de 12 000 spectres optiques de galaxies, généré précédemment avec le code CIGALE, et je l'ai adapté pour cette étude. La nature simulée des données m'a permis de tirer des conclusions directes sur la pertinence physique des classifications produites en étudiant la distribution des paramètres de simulation au sein des classes. Je me suis d'abord concentré sur les données sans bruit et j'ai conclu que Fisher-EM était capable d'extraire avec succès des informations physiques utiles dans les spectres pour construire une classification pertinente. J'ai ensuite étudié l'effet du bruit sur le processus de classification en ajoutant du bruit artificiel aux données simulées. J'ai montré que les résultats restaient très robustes jusqu'à un rapport signal-sur-bruit (S/N) de 3 et qu'une discrimination significative était toujours obtenue jusqu'à un S/N de 1.Par la suite, j'ai étudié un échantillon de 80 000 spectres optiques de galaxies de redshift 0,4 < z < 1,2 provenant du VIMOS Public Extragalactic Redshift Survey. Aux données observées se mélangent des effets instrumentaux, du bruit et la contamination par l'atmosphère, qui ont dû être traités avec soin pour optimiser les résultats. L'échantillon a été divisé en 26 sous-échantillons afin de limiter la perte d'information due au redshift, et chacun de ces sous-échantillons a été classé indépendamment des autres. Les liens entre les classes ont ensuite été déterminés à l'aide de l'algorithme k-Nearest Neighbours, créant ainsi une structure arborescente révélant les chemins evolutifs des classes. Trois sous-arbres ont émergé, séparant les galaxies passives, de celles avec une formation stellaire modérée, et d'autres traversant des événements de formation stellaire intense. Une discrimination plus fine est faite le long des branches, isolant, entre autres, des galaxies post-starburst et possiblement des AGNs.Ce travail de thèse met en évidence une approche entièrement automatisée, capable de produire des classifications spectroscopiques de galaxies physiquement pertinentes. Pour la première fois, la diversité des spectres optiques des galaxies à des redshifts 0.4 < z < 1.2 a été cartographiée de manière non supervisée et automatisée, et leur évolution au cours de l'histoire de l'Univers a été étudiée. Avec les nouvelles observations à très haut redshift que le JWST fournira, ce travail ouvre des perspectives nouvelles et prometteuses pour élucider les questions restantes atour de la formation et l'évolution des galaxies.
| Origine | Version validée par le jury (STAR) |
|---|