gerar espectros

Espectroscopia de galáxias sem espectros

Código usado para os artigos "Espectroscopia de galáxias sem espectros: propriedades de galáxias a partir de imagens fotométricas com modelos de difusão condicional" (em revisão) e "Gerando espectros astronômicos a partir de fotometria com modelos de difusão condicional" (workshop NeurIPS 2022 sobre aprendizado de máquina e ciências físicas).

Este repositório contém o código para treinar nossas redes contrastivas e generativas. O código para baixar os dados é fornecido na pasta utils .

Resumo

Os levantamentos espectroscópicos modernos só podem atingir uma pequena fração da vasta quantidade de fontes catalogadas fotometricamente em levantamentos de campo amplo. Aqui, relatamos o desenvolvimento de um método generativo de IA capaz de prever espectros ópticos de galáxias apenas a partir de imagens fotométricas de banda larga. Este método baseia-se nos últimos avanços em modelos de difusão em combinação com redes contrastivas. Passamos imagens de galáxias multibandas para a arquitetura para obter espectros ópticos. A partir deles, valores robustos para propriedades de galáxias podem ser derivados com quaisquer métodos da caixa de ferramentas espectroscópicas, como técnicas padrão de síntese populacional e índices de Lick. Quando treinado e testado em imagens de 64 × 64 pixels do Sloan Digital Sky Survey, a bimodalidade global de galáxias em formação de estrelas e quiescentes no espaço fotométrico é recuperada, bem como uma relação massa-metalicidade de galáxias em formação de estrelas. A comparação entre os espectros observados e os criados artificialmente mostra boa concordância na metalicidade geral, idade, Dn4000, dispersão da velocidade estelar e valores de E (BV). As estimativas fotométricas do redshift do nosso algoritmo generativo podem competir com outras técnicas atuais e especializadas de aprendizagem profunda. Além disso, este trabalho é a primeira tentativa na literatura de inferir a dispersão da velocidade a partir de imagens fotométricas. Além disso, podemos prever a presença de um núcleo galáctico ativo com uma precisão de US$ 82,%$ . Com o nosso método, propriedades galácticas cientificamente interessantes, normalmente exigindo dados espectroscópicos, podem ser obtidas em conjuntos de dados futuros apenas a partir de levantamentos fotométricos em grande escala. A previsão de espectros via IA pode ajudar ainda mais na criação de catálogos simulados realistas.

Uso

Os parâmetros para a rede contrastiva podem ser especificados no arquivo params_contrastive.yml . A rede contrastiva pode ser treinada chamando train_contrastive.py . Da mesma forma, os parâmetros para o modelo de difusão podem ser especificados no arquivo params_generative.yml . Ele pode então ser treinado chamando train_generative.py . Para inferência, use generate.py . Isso também usa params_generative.yml para suas configurações.

Comentários

• Usamos Pytorch Ignite para treinamento de nossos modelos.
• A camada de atenção cruzada é baseada no repositório de modelos de difusão latente.

Citação

Se você achar nossos trabalhos úteis, considere citá-los 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}
}

e

 @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}
}