• other finder 里面比较新奇的一种
• 基本想法是先识别 BCG，然后计算周围的 richness，两步都是通过 ML 完成的
• 代码是开源的
• gemini https://aistudio.google.com/prompts/1aSNSo0SONcmknA5thTQA0S1bplwq-nON

Brief #

Intro #

• 这里 claim 机器学习方法比预设物理模型的 cluster finder 更加完备，尤其是并合中、高红移、低质量的 cluster
• 寻找 BCG 的方法是 XGBoost，richness estimation 用的是 ResNet
• 训练数据是 SDSS

Data #

• SDSS 的一个 cluster catalog 是 WHL15 (WH for Wen & Han)
  • 使用 photo-z 方法
  • length 是 158k，红移 0.05-0.08
  • 对成员星系进行 1Mpc 的半径筛选、红移的筛选以及亮度筛选
  • 这个 catalog 本身提供了每个 cluster 的 richness 信息
• BCG 的训练集包括数量 1-1 的正样本和负样本，8-2 的训练、测试比例
• 将每个 BCG 周围的成员星系分布转化为 Smoothed Optical Map, SOM，用一个高斯核将离散的亮度分布转化为连续的亮度分布
  • 扣除 local bkg，还要考虑红移因子
  • 同样构建随机选择的负样本

Method #

• 识别 BCG 用的是 XGBoost，基于梯度提升决策树？
  • 输入特征包括亮度、颜色、半径、红移
  • 二元分类器的评估指标一般是 ROC 和 AUC
    • 准确率和召回率都在 90% 以上
• 对于丰度计算（从 SOM 到一个数字）使用 ResNet-34 作为骨干网络，实际上是迁移学习
  • 进行了一些输入和输出的修改
  • 用 MSE 作为 loss function，使用随机梯度下降法

Results #

• 在 200 deg2 的独立天区中运行算法，和已知的 cluster catalog 都匹配很好
  • 竟然是和 redMaPPer 的匹配最成功，而且 richness 和 redMaPPer 也有很好的线性关系
  • cross match 的距离限制是 1.5 倍 r500，还是非常宽松的
• 新发现的 cluster 大多数是高红移或者低丰度的

Thoughts #

• 其实更像 Han & Wen 的工作，只关注 cluster 是否找到，宇宙学信息比较少
  • 而且相当于只是把 WHL 进行了扩展，最终的 completeness/purity 都取决于 WH catalog 的质量
• 从分立的亮度分布到 SOM 会不会恰好把有关丰度的信息给消除掉？
• 感觉用 ResNet 这种提取特征的模型来计算 richness 有一点小题大做
• 先找 BCG 再测量 richness 的步骤分解还有讨论的余地

Supplement #

• ImageNet 是一个图像分类数据集/挑战
• ResNet 在 2015 年由何恺明提出
  • 核心的思想是神经网络学习 x->x 是很困难的，不要花能力在这件事情上，而是直接学习 x->H (x)-x
  • 解决了层数增加带来的退化问题，使得深层网络的构建成为可能
  • ResNet-34 的数字代表的是神经网络的层的数量，其他层数还包括 18、50、101、152