Interpretación textual de clasificaciones de imágenes transitorias de modelos de lenguaje grandes

Área de la Ciencia:

• Astronomía y Astrofísica
• Inteligencia Artificial
• Aprendizaje Automático

Sus antecedentes:

• Los sondeos astronómicos generan grandes cantidades de datos de eventos transitorios.
• Distinguir las señales astrofísicas genuinas de los artefactos de imagen es un desafío importante.
• Los métodos actuales como las redes neuronales convolucionales (CNN) carecen de interpretabilidad debido a representaciones latentes opacas.

Objetivo del estudio:

• Evaluar el rendimiento de los modelos de lenguaje grandes (LLM) en la clasificación de datos de sondeos transitorios ópticos.
• Evaluar si los LLM pueden lograr una precisión comparable a las CNN y al mismo tiempo proporcionar resultados interpretables.
• Desarrollar un marco para la clasificación y consulta basada en lenguaje natural de candidatos transitorios astronómicos.

Principales métodos:

• Se utilizó el LLM de Google, Gemini, para la clasificación en tres conjuntos de datos de sondeos transitorios ópticos (Pan-STARRS, MeerLICHT, ATLAS).
• Se empleó un enfoque de aprendizaje de unos pocos ejemplos (few-shot learning) con 15 ejemplos e instrucciones concisas.
• Se implementó un LLM secundario para evaluar la coherencia y refinar la salida del modelo de clasificación principal.

Principales resultados:

• Los LLM lograron una precisión promedio del 93% en diversos conjuntos de datos, rivalizando con el rendimiento de las CNN.
• Los LLM generaron descripciones directas y legibles por humanos para cada candidato transitorio.
• El marco demostró un refinamiento iterativo efectivo y eludió los pipelines de entrenamiento tradicionales.

Conclusiones:

• Los LLM ofrecen una alternativa prometedora e interpretable para clasificar transitorios astronómicos.
• Este enfoque mejora la comprensión de los eventos transitorios al proporcionar explicaciones textuales.
• La clasificación basada en LLM puede cerrar la brecha entre la detección automatizada y la comprensión humana en el análisis de datos astronómicos.