談話会
Colloquium

高橋 一郎 (東北大学)
すばるHSC突発天体サーベイにおける機械学習による超新星分類
　近年の観測技術の進歩により、発見される超新星の数は急増している。LSSTが本格的に運用されると1年間で数十万以上もの超新星が発見されると見積もられている。この規模になると従来の方法では分類はおろか検出も困難となるため、新たな解析手法が必要となってくる。そこで、我々は機械学習技術を使用した変動天体の検出器と超新星のタイプ分類器を開発し、それらを2016年から2017年にかけて行われたすばる望遠鏡とHyper Suprime-Cam (HSC)による突発天体サーベイへ適用した。
　変動天体の検出にはConvolutional Neural Network (CNN)を使用し、あらかじめ変動天体か否かを分類した訓練用の天体画像を機械に学習させ、変動天体を自動的に検出させる。検証の結果、本物の変動天体の検出率が90 % の場合に誤検出率を数%に抑えられた。HSCサーベイではこの検出器により約7万の変動天体候補が自動的に検出され、その後の分類により最終的に1824個の超新星候補が発見された。これに加えて、AUC boostやpAUC最適化などの新しい手法も適用することで本物の変動天体の数を保持したまま、さらに偽物の天体を除外できることも確認した。
　また、多数の超新星の中から効率的に追観測候補を選択するために、超新星のタイプ分類にDeep Neural Network (DNN)を試用した。分類器は観測前にシミュレートされた各タイプの超新星のライトカーブデータで学習し、測光情報を直接入力することで観測後短時間でタイプ分類を行う。この分類器を公開されているシミュレートされた超新星ライトカーブデータに適用したところそれらを95%の精度で分類し、実際のHSCサーベイデータにこの分類器を適用したところ、84％の精度で従来の分類方法の結果と一致した。談話会ではHSC突発天体サーベイとこれらの超新星分類器の性能評価について紹介する。

沓間 弘樹 (東北大学)
Development of novel calibration method and simulator for Microwave Kinetic Inductance Detectors toward CMB polarization observation
Microwave Kinetic Inductance Detector (MKID)は電波から可視光観測まで使用される最先端の超伝導検出器である。検出原理はシンプルで、アンテナで光を捉えると検出器内部のクーパー対と呼ばれる超伝導電子対が解離し準粒子と呼ばれる粒子が生成する。これにより表面インピーダンスが変化し、検出器の共振特性の変化を引き起こす。この変化を読み出すことで天体からの光の強度を見積もることができる。この検出器の最大の特徴としては個々の検出器の長さを調整し共振周波数をシフトさせ、周波数多重読み出しの技術を使用することで、1つの読み出し線で100素子から1000素子をも同時に読み出すことを可能にすることである。この検出器の宇宙マイクロ波背景放射(CMB)偏光観測への応用例はまだない。
CMB偏光観測で、この検出器を使用するために、従来よりも高確度で高効率な応答性の較正が必要となる。従来は検出器に設置したヒーターを加熱することで、準粒子を生成し応答を取得することで応答性の評価を行なっていた。準粒子数は検出器に設置した温度計で測定された温度を使用し換算していた。しかし、この方法では温度計で測定された温度と実際の検出器の温度の不定性が応答性の不定性となってしまう。そこでMKIDの時定数と準粒子数に関係があるという先行研究の考えを利用し、新たな応答性較正手法の開発を行った。読み出しに使用される高周波バイアスパワーを急激に変えることで時定数を得て、同時に応答を取得することで応答性を取得することができる。この方法では温度変調を必要とせず、また温度測定が必要ないため短時間で高確度な応答性の較正を行える。また、この研究を発展させることでMKIDにおいて最重要パラメータである超伝導転移温度を取得する方法を考案した。これと並行して、MKIDの開発の劇的な効率化を実現するためにMKIDのシミュレーショ ンソフトの開発も行った。この進捗に関しても報告する。