Spektren erzeugen

Galaxienspektroskopie ohne Spektren

Code, der für die Arbeiten „Galaxienspektroskopie ohne Spektren: Galaxieneigenschaften aus photometrischen Bildern mit bedingten Diffusionsmodellen“ (in Begutachtung) und „Generieren astronomischer Spektren aus Photometrie mit bedingten Diffusionsmodellen“ (NeurIPS 2022-Workshop zu maschinellem Lernen und physikalischen Wissenschaften) verwendet wird.

Dieses Repository enthält den Code zum Trainieren unserer kontrastiven und generativen Netzwerke. Code zum Herunterladen der Daten finden Sie im Ordner utils .

Abstrakt

Moderne spektroskopische Untersuchungen können bei Weitfelduntersuchungen nur einen kleinen Teil der großen Menge photometrisch katalogisierter Quellen erfassen. Hier berichten wir über die Entwicklung einer generativen KI-Methode, mit der optische Galaxienspektren allein aus photometrischen Breitbandbildern vorhergesagt werden können. Diese Methode basiert auf den neuesten Fortschritten bei Diffusionsmodellen in Kombination mit kontrastiven Netzwerken. Wir übergeben Multiband-Galaxienbilder an die Architektur, um optische Spektren zu erhalten. Daraus können robuste Werte für Galaxieneigenschaften mit allen Methoden aus dem spektroskopischen Werkzeugkasten abgeleitet werden, wie etwa Standardtechniken der Populationssynthese und Lick-Indizes. Beim Training und Testen an 64 × 64-Pixel-Bildern des Sloan Digital Sky Survey wird die globale Bimodalität von sternbildenden und ruhenden Galaxien im photometrischen Raum sowie eine Masse-Metallizitätsbeziehung von sternbildenden Galaxien wiederhergestellt. Der Vergleich zwischen den beobachteten und den künstlich erstellten Spektren zeigt eine gute Übereinstimmung bei der Gesamtmetallizität, dem Alter, Dn4000, der Sterngeschwindigkeitsdispersion und den E(BV)-Werten. Photometrische Rotverschiebungsschätzungen unseres generativen Algorithmus können mit anderen aktuellen, spezialisierten Deep-Learning-Techniken konkurrieren. Darüber hinaus ist diese Arbeit der erste Versuch in der Literatur, Geschwindigkeitsdispersion aus photometrischen Bildern abzuleiten. Darüber hinaus können wir das Vorhandensein eines aktiven galaktischen Kerns mit einer Genauigkeit von 82,%$ . Mit unserer Methode können in zukünftigen Datensätzen allein aus groß angelegten photometrischen Untersuchungen wissenschaftlich interessante Galaxieneigenschaften gewonnen werden, die normalerweise spektroskopische Eingaben erfordern. Die Spektrenvorhersage mittels KI kann außerdem bei der Erstellung realistischer Scheinkataloge hilfreich sein.

Verwendung

Parameter für das Kontrastnetzwerk können in der Datei params_contrastive.yml angegeben werden. Das kontrastive Netzwerk kann durch Aufrufen train_contrastive.py trainiert werden. Ebenso können Parameter für das Diffusionsmodell in der Datei params_generative.yml angegeben werden. Anschließend kann es durch Aufrufen von train_generative.py trainiert werden. Verwenden Sie für Schlussfolgerungen generate.py . Dies nutzt auch params_generative.yml für seine Einstellungen.

Kommentare

• Wir verwenden Pytorch Ignite zum Training unserer Modelle.
• Die Cross-Attention-Schicht basiert auf dem Latent Diffusion Models-Repository.

Zitat

Wenn Sie unsere Werke hilfreich finden, denken Sie darüber nach, sie mit zu zitieren

 @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}
}

Und

 @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}
}