스펙트럼을 생성하다
version
"스펙트럼 없는 은하 분광학: 조건부 확산 모델을 사용한 광도 측정 이미지의 은하 특성"(검토 중) 및 "조건부 확산 모델을 사용하여 광도 측정에서 천문 스펙트럼 생성"(기계 학습 및 물리 과학에 관한 NeurIPS 2022 워크숍) 논문에 사용된 코드입니다.
이 저장소에는 대조 및 생성 네트워크를 훈련하는 코드가 포함되어 있습니다. 데이터를 다운로드하기 위한 코드는 utils 폴더에 제공됩니다.
현대의 분광학 측량은 광역 측량에서 광도계로 분류된 방대한 양의 광원 중 극히 일부만을 대상으로 할 수 있습니다. 여기에서는 광도 측정 광대역 이미지만으로 광학 은하 스펙트럼을 예측할 수 있는 생성적 AI 방법의 개발을 보고합니다. 이 방법은 대조 네트워크와 결합된 확산 모델의 최신 발전을 활용합니다. 우리는 광학 스펙트럼을 얻기 위해 다중 대역 은하 이미지를 아키텍처에 전달합니다. 이들로부터 은하 특성에 대한 강력한 값은 표준 집단 합성 기술 및 Lick 지수와 같은 분광학 도구 상자의 모든 방법을 사용하여 파생될 수 있습니다. Sloan Digital Sky Survey의 64×64픽셀 이미지를 훈련하고 테스트하면 측광 공간에서 별 형성 및 정지 은하의 전역 이원성은 물론 별 형성 은하의 질량-금속성 관계도 복구됩니다. 관찰된 스펙트럼과 인위적으로 생성된 스펙트럼을 비교하면 전체 금속성, 연령, Dn4000, 항성 속도 분산 및 E(BV) 값이 잘 일치함을 보여줍니다. 생성 알고리즘의 광도계 적색편이 추정은 현재의 다른 전문 딥러닝 기술과 경쟁할 수 있습니다. 더욱이, 이 작업은 광도 이미지로부터 속도 분산을 추론하려는 문헌의 첫 번째 시도입니다. 추가적으로 우리는 활성은하핵의 존재를 다음과 같은 정확도까지 예측할 수 있습니다.
대조 네트워크에 대한 매개변수는 params_contrastive.yml 파일에서 지정할 수 있습니다. 대조 네트워크는 train_contrastive.py 호출하여 훈련할 수 있습니다. 마찬가지로 확산 모델의 매개변수는 params_generative.yml 파일에서 지정할 수 있습니다. 그런 다음 train_generative.py 호출하여 훈련할 수 있습니다. 추론을 위해서는 generate.py 사용하세요. 또한 해당 설정에 params_generative.yml 을 사용합니다.
우리의 저작물이 도움이 된다면 다음을 사용하여 인용해 보세요.
@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}
}
그리고
@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}
}
