Detailansicht
Lodestar: supporting exploration and discoveries of unknown star clusters
Johannes Özkan-Preisinger
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Informatik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Medieninformatik
Betreuer*in
Torsten Möller
DOI
10.25365/thesis.74038
URN
urn:nbn:at:at-ubw:1-24354.56768.875093-4
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Bei der Suche nach neuen Sternhaufen stehen Astronomen vor zahlreichen Herausforderungen im Bereich des unbeaufsichtigten maschinellen Lernens. Die Verarbeitung großer Datensätze mit Millionen bis Milliarden von Sternen sowie Sternhaufen, die sich in einem Meer von Rauschen verstecken das über 95\% der Daten ausmacht, stellen sowohl Data-Mining-Tools als auch Anwender vor große Herausforderungen. Verschiedene Größen und Dichten dieser Haufen sind weitere Schwierigkeiten, die es zu bewältigen gilt. Trotz dieser Herausforderungen ist Clustering nach wie vor ein effizientes Werkzeug für die Analyse astronomischer Daten. Die Erkundung des Lösungsraums und die Identifizierung optimaler Ergebnisse in Clustering-Methoden können jedoch schwierig sein, da mehrere Parameter vorhanden sind, die manuell nur schwer abzustimmen sind. Selbst wenn die Parameter einfach zu verstehen sind, ist es oft schwierig, die Auswirkungen von Parameteränderungen abzuschätzen. Daher ist ein systematischer Ansatz zur Erkundung des Lösungsraums und zur Ermittlung optimaler Ergebnisse erforderlich. Um diese Herausforderungen zu bewältigen, schlagen die Autoren ein neuartiges Visualisierungstool namens "Lodestar" vor. Dieses Tool soll dabei helfen, den Lösungsraum, der von der neuartigen Clustering-Algorithmus-Pipeline SigMA geschaffen wurde, zu erkunden, um den Algorithmus besser zu verstehen, seinen Lösungsraum zu erforschen und interessante Clustering-Ergebnisse in der großen Menge von Lösungen zu finden. Basierend auf den Ergebnissen von Benutzertests findet dieses Tool erfolgreich geeignete Clustering-Lösungen und soll im Labor der Astronomen eingesetzt werden, um bei der Identifizierung von Sternstrukturen in der Milchstraße zu helfen.
Abstract
(Englisch)
In the search for new star clusters, astronomers are confronted with lots of hard unsupervised machine-learning challenges. Large data sets containing millions to billions of stars, star clusters hiding in a sea of noise making up over 95\% of the data, and various sizes and densities are challenges that data mining tools and practitioners alike need to tackle. Despite these challenges, clustering remains a powerful tool for astronomical data analysis. Exploring the solution space and identifying optimal results in clustering methods can be difficult due to the presence of multiple parameters that are difficult to tune manually. Even when parameters are easy to understand, it is often challenging to estimate the impact of parameter changes. As a result, there is a need for a systematic approach to exploring the solution space and identifying optimal outcomes. We propose a novel visualization tool. "Lodestar" is designed to help explore the solution space created by the novel clustering algorithm pipeline SigMA to help understand the algorithm, explore its solution space and find clustering results of interest in the large set of solutions. Based on user test results, this tool is successfully finding suitable clustering solutions and is scheduled to be deployed in the lab of our collaborators to help identify stellar structures in the Milky Way.
Schlagwörter
Schlagwörter
(Deutsch)
Astronomie Sternhaufen Unbeaufsichtigtes maschinelles Lernen Datenanalyse Data-Mining Clustering-Methoden Große Datensätze Visualisierungstools Parameterabstimmung Clustering-Algorithmen Lösungsraum-Erkundung SigMA Lodestar Sternstrukturen Milchstraße
Schlagwörter
(Englisch)
Astronomy Star clusters Unsupervised machine learning Data analysis Data mining Clustering methods Large datasets Visualization tools Parameter tuning Clustering algorithms Solution space exploration SigMA Lodestar Star structures Milky Way
Autor*innen
Johannes Özkan-Preisinger
Haupttitel (Englisch)
Lodestar: supporting exploration and discoveries of unknown star clusters
Paralleltitel (Deutsch)
Lodestar: Unterstützung bei der Erforschung und Entdeckung unbekannter Sternhaufen
Publikationsjahr
2023
Umfangsangabe
xii, 94 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Torsten Möller
Klassifikationen
39 Astronomie > 39.00 Astronomie. Allgemeines ,
54 Informatik > 54.25 Parallele Datenverarbeitung ,
54 Informatik > 54.52 Software engineering ,
54 Informatik > 54.62 Datenstrukturen ,
54 Informatik > 54.65 Webentwicklung. Webanwendungen ,
54 Informatik > 54.81 Anwendungssoftware ,
54 Informatik > 54.87 Multimedia
AC Nummer
AC16920983
Utheses ID
67848
Studienkennzahl
UA | 066 | 935 | |