générer des spectres
version
Code utilisé pour les articles "Galaxy spectroscopy without spectra: Galaxy Properties from photometric images with conditional diffusion models" (en cours de révision) et "Generating astronomical spectra from photometry with conditional diffusion models" (atelier NeurIPS 2022 sur l'apprentissage automatique et les sciences physiques).
Ce référentiel contient le code pour entraîner nos réseaux contrastifs et génératifs. Le code pour télécharger les données est fourni dans le dossier utils .
Les levés spectroscopiques modernes ne peuvent cibler qu’une petite fraction de la grande quantité de sources photométriques cataloguées dans les levés à grand champ. Nous rapportons ici le développement d’une méthode d’IA générative capable de prédire les spectres optiques des galaxies à partir d’images photométriques à large bande uniquement. Cette méthode s'appuie sur les dernières avancées en matière de modèles de diffusion en combinaison avec des réseaux contrastifs. Nous transmettons des images de galaxies multibandes dans l'architecture pour obtenir des spectres optiques. À partir de celles-ci, des valeurs robustes pour les propriétés des galaxies peuvent être dérivées avec n’importe quelle méthode de la boîte à outils spectroscopique, telle que les techniques standard de synthèse de population et les indices de Lick. Lorsqu'elle est formée et testée sur des images de 64 × 64 pixels du Sloan Digital Sky Survey, la bimodalité globale des galaxies en formation d'étoiles et au repos dans l'espace photométrique est récupérée, ainsi qu'une relation masse-métallicité des galaxies en formation d'étoiles. La comparaison entre les spectres observés et créés artificiellement montre un bon accord dans les valeurs globales de métallicité, d'âge, de Dn4000, de dispersion de vitesse stellaire et de E(BV). Les estimations photométriques du redshift de notre algorithme génératif peuvent rivaliser avec d’autres techniques d’apprentissage en profondeur spécialisées actuelles. De plus, ce travail constitue la première tentative dans la littérature visant à déduire la dispersion de vitesse à partir d'images photométriques. De plus, nous pouvons prédire la présence d’un noyau galactique actif avec une précision de
Les paramètres du réseau contrastif peuvent être spécifiés dans le fichier params_contrastive.yml . Le réseau contrastif peut être entraîné en appelant train_contrastive.py . De même, les paramètres du modèle de diffusion peuvent être spécifiés dans le fichier params_generative.yml . Il peut ensuite être entraîné en appelant train_generative.py . Pour l'inférence, utilisez generate.py . Cela utilise également params_generative.yml pour ses paramètres.
Si vous trouvez nos travaux utiles, pensez à les citer en utilisant
@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}
}
et
@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}
}
