generar espectros

Espectroscopía de galaxias sin espectros.

Código utilizado para los artículos "Espectroscopia de galaxias sin espectros: propiedades de las galaxias a partir de imágenes fotométricas con modelos de difusión condicional" (en revisión) y "Generación de espectros astronómicos a partir de fotometría con modelos de difusión condicional" (taller NeurIPS 2022 sobre aprendizaje automático y ciencias físicas).

Este repositorio contiene el código para entrenar nuestras redes contrastivas y generativas. El código para descargar los datos se proporciona en la carpeta de utils .

Abstracto

Los estudios espectroscópicos modernos sólo pueden centrarse en una pequeña fracción de la gran cantidad de fuentes catalogadas fotométricamente en estudios de campo amplio. Aquí, informamos el desarrollo de un método de IA generativa capaz de predecir espectros ópticos de galaxias a partir de imágenes fotométricas de banda ancha únicamente. Este método se basa en los últimos avances en modelos de difusión en combinación con redes contrastivas. Pasamos imágenes de galaxias multibanda a la arquitectura para obtener espectros ópticos. A partir de estos, se pueden derivar valores sólidos para las propiedades de las galaxias con cualquier método en la caja de herramientas espectroscópica, como las técnicas estándar de síntesis de poblaciones y los índices Lick. Cuando se entrena y prueba en imágenes de 64 × 64 píxeles del Sloan Digital Sky Survey, se recupera la bimodalidad global de las galaxias en formación estelar y en reposo en el espacio fotométrico, así como una relación masa-metalicidad de las galaxias en formación estelar. La comparación entre los espectros observados y creados artificialmente muestra una buena concordancia en los valores generales de metalicidad, edad, Dn4000, dispersión de la velocidad estelar y E(BV). Las estimaciones fotométricas del corrimiento al rojo de nuestro algoritmo generativo pueden competir con otras técnicas actuales especializadas de aprendizaje profundo. Además, este trabajo es el primer intento en la literatura de inferir la dispersión de la velocidad a partir de imágenes fotométricas. Además, podemos predecir la presencia de un núcleo galáctico activo con una precisión de $82%$ . Con nuestro método, se pueden obtener propiedades de galaxias científicamente interesantes, que normalmente requieren entradas espectroscópicas, en conjuntos de datos futuros únicamente a partir de estudios fotométricos a gran escala. La predicción de espectros mediante IA puede ayudar aún más a crear catálogos simulados realistas.

Uso

Los parámetros para la red contrastiva se pueden especificar en el archivo params_contrastive.yml . La red contrastiva se puede entrenar llamando train_contrastive.py . De manera similar, los parámetros para el modelo de difusión se pueden especificar en el archivo params_generative.yml . Luego se puede entrenar llamando train_generative.py . Para inferencia, use generate.py . Esto también utiliza params_generative.yml para su configuración.

Comentarios

• Usamos Pytorch Ignite para entrenar nuestros modelos.
• La capa de atención cruzada se basa en el repositorio de modelos de difusión latente.

Citación

Si encuentra útiles nuestros trabajos, considere citarlos usando

 @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}
}

y

 @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}
}