menghasilkan spektrum

Spektroskopi galaksi tanpa spektrum

Kode yang digunakan untuk makalah "Spektroskopi galaksi tanpa spektrum: Properti galaksi dari gambar fotometrik dengan model difusi bersyarat" (sedang ditinjau) dan "Menghasilkan spektrum astronomi dari fotometri dengan model difusi bersyarat" (lokakarya NeurIPS 2022 tentang Pembelajaran Mesin dan Ilmu Fisika).

Repositori ini berisi kode untuk melatih jaringan kontrastif dan generatif kami. Kode untuk mendownload data disediakan di folder utils .

Abstrak

Survei spektroskopi modern hanya dapat menargetkan sebagian kecil dari sejumlah besar sumber yang dikatalogkan secara fotometrik dalam survei lapangan luas. Di sini, kami melaporkan pengembangan metode AI generatif yang mampu memprediksi spektrum galaksi optik hanya dari gambar pita lebar fotometrik. Metode ini memanfaatkan kemajuan terbaru dalam model difusi yang dikombinasikan dengan jaringan kontrastif. Kami meneruskan gambar galaksi multi-band ke dalam arsitektur untuk mendapatkan spektrum optik. Dari sini, nilai kuat untuk properti galaksi dapat diperoleh dengan metode apa pun yang ada dalam perangkat spektroskopi, seperti teknik sintesis populasi standar dan indeks Lick. Saat dilatih dan diuji pada gambar 64 × 64 piksel dari Sloan Digital Sky Survey, bimodalitas global galaksi pembentuk bintang dan galaksi diam dalam ruang fotometrik, serta hubungan massa-logam galaksi pembentuk bintang, dapat dipulihkan. Perbandingan antara spektrum yang diamati dan yang dibuat secara artifisial menunjukkan kesesuaian yang baik dalam keseluruhan sifat logam, umur, Dn4000, dispersi kecepatan bintang, dan nilai E(BV). Perkiraan pergeseran merah fotometrik dari algoritme generatif kami dapat bersaing dengan teknik pembelajaran mendalam khusus lainnya saat ini. Selain itu, karya ini adalah upaya pertama dalam literatur untuk menyimpulkan dispersi kecepatan dari gambar fotometrik. Selain itu, kita dapat memprediksi keberadaan inti galaksi aktif hingga akurasi $82,%$ . Dengan metode kami, sifat-sifat galaksi yang menarik secara ilmiah, yang biasanya memerlukan masukan spektroskopi, dapat diperoleh dalam kumpulan data masa depan hanya dari survei fotometri skala besar. Prediksi spektrum melalui AI selanjutnya dapat membantu dalam membuat katalog tiruan yang realistis.

Penggunaan

Parameter untuk jaringan kontrastif dapat ditentukan dalam file params_contrastive.yml . Jaringan kontrastif dapat dilatih dengan memanggil train_contrastive.py . Demikian pula, parameter untuk model difusi dapat ditentukan dalam file params_generative.yml . Kemudian dapat dilatih dengan memanggil train_generative.py . Untuk inferensi, gunakan generate.py . Ini juga menggunakan params_generative.yml untuk pengaturannya.

Komentar

• Kami menggunakan Pytorch Ignite untuk melatih model kami.
• Lapisan perhatian silang didasarkan pada repositori Model Difusi Laten.

Kutipan

Jika menurut Anda karya kami bermanfaat, pertimbangkan untuk mengutipnya menggunakan

 @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}
}

Dan

 @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}
}