スペクトルを生成する
version
論文「スペクトルのない銀河分光法: 条件付き拡散モデルを使用した測光画像からの銀河特性」(審査中) および「条件付き拡散モデルを使用した測光からの天文スペクトルの生成」(機械学習と物理科学に関する NeurIPS 2022 ワークショップ) に使用されたコード。
このリポジトリには、対照的で生成的なネットワークをトレーニングするためのコードが含まれています。データをダウンロードするコードはutilsフォルダーにあります。
現代の分光調査では、広視野調査で測光的にカタログ化された膨大な量の光源のほんの一部しか対象にできません。今回我々は、測光広帯域画像のみから銀河光学スペクトルを予測できる生成AI手法の開発について報告する。この方法は、対照的なネットワークと組み合わせた拡散モデルの最新の進歩を利用しています。マルチバンド銀河画像をアーキテクチャに渡して、光学スペクトルを取得します。これらから、標準的な集団合成技術やリック指数など、分光学ツールボックス内の任意の方法を使用して、銀河特性のロバストな値を導き出すことができます。 Sloan Digital Sky Survey の 64 × 64 ピクセルの画像でトレーニングおよびテストすると、測光空間における星形成銀河と静止銀河の全球的な二峰性と、星形成銀河の質量金属量関係が回復されます。観察されたスペクトルと人工的に作成されたスペクトルを比較すると、全体的な金属量、年齢、Dn4000、星の速度分散、および E(BV) 値がよく一致していることがわかります。当社の生成アルゴリズムの測光赤方偏移推定は、現在の他の特殊な深層学習技術と競合する可能性があります。さらに、この研究は、測光画像から速度分散を推測するという文献初の試みです。さらに、活動銀河核の存在を最高の精度で予測できます。
コントラスト ネットワークのパラメーターは、 params_contrastive.ymlファイルで指定できます。コントラスト ネットワークは、 train_contrastive.pyを呼び出してトレーニングできます。同様に、拡散モデルのパラメータはparams_generative.ymlファイルで指定できます。その後、 train_generative.pyを呼び出してトレーニングできます。推論には、 generate.py使用します。これは、設定にparams_generative.ymlも使用します。
私たちの作品が役立つと思われる場合は、次の方法で引用することを検討してください。
@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}
}
そして
@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}
}
