توليد الأطياف

التحليل الطيفي للمجرة بدون أطياف

الكود المستخدم في المقالات "التحليل الطيفي للمجرة بدون أطياف: خصائص المجرة من الصور الضوئية مع نماذج الانتشار الشرطي" (قيد المراجعة) و"توليد الأطياف الفلكية من القياس الضوئي باستخدام نماذج الانتشار الشرطي" (ورشة عمل NeuroIPS 2022 حول التعلم الآلي والعلوم الفيزيائية).

يحتوي هذا المستودع على التعليمات البرمجية لتدريب شبكاتنا المتباينة والمولدة. يتم توفير رمز تنزيل البيانات في مجلد utils .

خلاصة

لا يمكن للمسوحات الطيفية الحديثة أن تستهدف سوى جزء صغير من الكم الهائل من المصادر المفهرسة ضوئيًا في المسوحات واسعة المجال. هنا، نورد تقريرًا عن تطوير طريقة ذكاء اصطناعي توليدية قادرة على التنبؤ بأطياف المجرات الضوئية من الصور الضوئية ذات النطاق العريض وحدها. تعتمد هذه الطريقة على أحدث التطورات في نماذج الانتشار بالاشتراك مع الشبكات المتباينة. نقوم بتمرير صور مجرات متعددة النطاقات إلى البنية للحصول على أطياف بصرية. ومن هذه القيم، يمكن استخلاص القيم القوية لخصائص المجرة باستخدام أي طرق في صندوق الأدوات الطيفية، مثل تقنيات التوليف السكاني القياسية ومؤشرات ليك. عند تدريبه واختباره على صور بحجم 64 × 64 بكسل من مسح سلون الرقمي للسماء، تم استعادة النمطية العالمية لتشكل النجوم والمجرات الهادئة في الفضاء الضوئي، بالإضافة إلى العلاقة بين الكتلة المعدنية للمجرات المكونة للنجوم. تُظهر المقارنة بين الأطياف المرصودة والمُنشأة بشكل مصطنع اتفاقًا جيدًا في القيم المعدنية الإجمالية والعمر وDn4000 وتشتت السرعة النجمية وقيم E(BV). يمكن لتقديرات الانزياح الأحمر الضوئية لخوارزميتنا التوليدية أن تتنافس مع تقنيات التعلم العميق المتخصصة الحالية الأخرى. علاوة على ذلك، يعد هذا العمل أول محاولة في الأدبيات لاستنتاج تشتت السرعة من الصور الضوئية. بالإضافة إلى ذلك، يمكننا التنبؤ بوجود نواة مجرة ​​نشطة بدقة تصل إلى 100% 82 دولارًا،%$ . من خلال طريقتنا، يمكن الحصول على خصائص المجرة المثيرة للاهتمام علميًا، والتي تتطلب عادةً مدخلات طيفية، في مجموعات البيانات المستقبلية من المسوحات الضوئية واسعة النطاق وحدها. يمكن للتنبؤ بالأطياف عبر الذكاء الاصطناعي أن يساعد بشكل أكبر في إنشاء كتالوجات وهمية واقعية.

الاستخدام

يمكن تحديد معلمات الشبكة المتباينة في الملف params_contrastive.yml . يمكن تدريب الشبكة المتباينة عن طريق استدعاء train_contrastive.py . وبالمثل، يمكن تحديد معلمات نموذج الانتشار في الملف params_generative.yml . ويمكن بعد ذلك تدريبه عن طريق استدعاء train_generative.py . للاستدلال، استخدم generate.py . وهذا أيضًا يستخدم params_generative.yml لإعداداته.

تعليقات

• نحن نستخدم Pytorch Ignite لتدريب نماذجنا.
• تعتمد طبقة الانتباه المتبادل على مستودع نماذج الانتشار الكامن.

الاقتباس

إذا وجدت أعمالنا مفيدة، ففكر في الاستشهاد بها باستخدام

 @article{doorenbos2024galaxy,
  title={Galaxy spectroscopy without spectra: Galaxy properties from photometric images with conditional diffusion models},
  author={Doorenbos, Lars and Sextl, Eva and Heng, Kevin and Cavuoti, Stefano and Brescia, Massimo and Torbaniuk, Olena and Longo, Giuseppe and Sznitman, Raphael and M{'a}rquez-Neila, Pablo},
  journal={arXiv preprint arXiv:2406.18175},
  year={2024}
}

و

 @article{doorenbos2022generating,
  title={Generating astronomical spectra from photometry with conditional diffusion models},
  author={Doorenbos, Lars and Cavuoti, Stefano and Longo, Giuseppe and Brescia, Massimo and Sznitman, Raphael and M{'a}rquez-Neila, Pablo},
  journal={arXiv preprint arXiv:2211.05556},
  year={2022}
}