Neural network architecture for artifacts detection in ZTF survey

Сегодня астрономам приходится работать с большими объемами данных, поскольку современные инструменты способны генерировать терабайты информации за одну ночь. Одним из таких инструментов стал автоматизированный обзор неба Zwicky Transient Facility (ZTF), который за одну ночь детектирует порядка миллиона новых вспышек. Однако значительная доля найденных объектов оказывается артефактами, т. е. явлениями, имеющими неастрофизическую природу. Поэтому специалистам приходится тратить время на классификацию объектов вручную, так как на текущий момент не существует эффективного метода, который делал бы это без участия человека. Целью данной работы ставилась реализация эффективного алгоритма, который по последовательности кадров объекта из обзора ZTF предсказывал бы, относится он к артефактам или нет. Для реализации алгоритма использована выборка, размеченная специалистами коллаборации SNAD и содержащая 2230 серий кадров объектов. Так как последовательности кадров достаточно велики, использован вариационный автоэнкодер, который позволяет отобразить изображение в вектор меньшей длины. Для решения задачи бинарной классификации по последовательности сжатых в векторы кадров применялась рекуррентная нейронная сеть. Были рассмотрены несколько моделей нейронных сетей, для оценки метрик качества использовалась k-fold кросс-валидация. Итоговые метрики качества составляют $ \mathrm{ROC}{-}\mathrm{AUC}= 0{,}86 \pm 0{,}01$ и точность $0{,}80 \pm 0{,}02$ и позволяют говорить, что модель имеет практическую ценность. Код с реализацией алгоритма доступен на {\tt GitHub}.