генерировать спектры

Спектроскопия галактик без спектров

Код, используемый для статей «Спектроскопия галактик без спектров: свойства галактик по фотометрическим изображениям с моделями условной диффузии» (на рассмотрении) и «Генерация астрономических спектров на основе фотометрии с моделями условной диффузии» (семинар NeurIPS 2022 по машинному обучению и физическим наукам).

Этот репозиторий содержит код для обучения наших контрастивных и генеративных сетей. Код для загрузки данных находится в папке utils .

Абстрактный

Современные спектроскопические исследования могут охватывать лишь небольшую часть огромного количества фотометрически каталогизированных источников в широкопольных исследованиях. Здесь мы сообщаем о разработке генеративного метода искусственного интеллекта, способного предсказывать оптические спектры галактик только на основе фотометрических широкополосных изображений. Этот метод основан на последних достижениях диффузионных моделей в сочетании с контрастными сетями. Мы передаем в архитектуру многоканальные изображения галактик для получения оптических спектров. На основе них можно получить надежные значения свойств галактик с помощью любых методов спектроскопического инструментария, таких как стандартные методы популяционного синтеза и индексы Лика. При обучении и тестировании на изображениях размером 64 × 64 пикселей из Слоановского цифрового обзора неба восстанавливается глобальная бимодальность звездообразующих и покоящихся галактик в фотометрическом пространстве, а также соотношение массы и металличности звездообразующих галактик. Сравнение наблюдаемых и искусственно созданных спектров показывает хорошее согласие по общей металличности, возрасту, Dn4000, дисперсии скоростей звезд и значениям E(BV). Фотометрические оценки красного смещения нашего генеративного алгоритма могут конкурировать с другими современными специализированными методами глубокого обучения. Более того, эта работа является первой попыткой в ​​литературе вывести дисперсию скоростей по фотометрическим изображениям. Кроме того, мы можем предсказать наличие активного ядра галактики с точностью до $82,%$ . С помощью нашего метода интересные с научной точки зрения свойства галактик, обычно требующие спектроскопических данных, могут быть получены в будущих наборах данных только на основе крупномасштабных фотометрических исследований. Прогнозирование спектров с помощью ИИ может дополнительно помочь в создании реалистичных макетов каталогов.

Использование

Параметры контрастной сети можно указать в файле params_contrastive.yml . Контрастную сеть можно обучить, вызвав train_contrastive.py . Аналогичным образом параметры модели распространения можно указать в файле params_generative.yml . Затем его можно обучить, вызвав train_generative.py . Для вывода generate.py . Это также использует params_generative.yml для своих настроек.

Комментарии

• Мы используем Pytorch Ignite для обучения наших моделей.
• Уровень перекрестного внимания основан на репозитории моделей скрытой диффузии.

Цитирование

Если наши работы кажутся вам полезными, процитируйте их, используя

 @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}
}

и

 @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}
}