สร้างสเปกตรัม

กาแล็กซีสเปกโทรสโกปีที่ไม่มีสเปกตรัม

รหัสที่ใช้สำหรับเอกสาร "Galaxy spectroscopy without spectra: Galaxy properties from photometric image with Conditional Diffusion Models" (อยู่ระหว่างการตรวจสอบ) และ "Generating Astral Astronomy Spectra from Photometry with Conditional Diffusion Models" (การประชุมเชิงปฏิบัติการ NeurIPS 2022 เรื่อง Machine Learning และวิทยาศาสตร์กายภาพ)

พื้นที่เก็บข้อมูลนี้มีโค้ดเพื่อฝึกเครือข่ายแบบเปรียบเทียบและแบบกำเนิดของเรา รหัสสำหรับดาวน์โหลดข้อมูลมีอยู่ในโฟลเดอร์ utils

เชิงนามธรรม

การสำรวจทางสเปกโทรสโกปีสมัยใหม่สามารถกำหนดเป้าหมายได้เพียงส่วนเล็กๆ ของแหล่งที่มาที่จัดรายการตามโฟโตเมตริกจำนวนมหาศาลในการสำรวจภาคสนามกว้างเท่านั้น ที่นี่ เรารายงานการพัฒนาวิธีการสร้าง AI ที่สามารถทำนายสเปกตรัมของกาแล็กซีแบบออพติคัลจากภาพแถบความถี่กว้างแบบโฟโตเมตริกเพียงอย่างเดียว วิธีการนี้ดึงมาจากความก้าวหน้าล่าสุดในแบบจำลองการแพร่กระจายร่วมกับเครือข่ายคอนทราสต์ เราส่งภาพกาแล็กซีแบบหลายแบนด์เข้าไปในสถาปัตยกรรมเพื่อให้ได้สเปกตรัมแสง จากค่าเหล่านี้ ค่าคงที่สำหรับคุณสมบัติของดาราจักรสามารถหาได้จากวิธีการใดๆ ในกล่องเครื่องมือสเปกโทรสโกปี เช่น เทคนิคการสังเคราะห์ประชากรมาตรฐานและดัชนี Lick เมื่อฝึกและทดสอบกับภาพขนาด 64 × 64 พิกเซลจากการสำรวจ Sloan Digital Sky Survey พบว่ากาแล็กซีที่ก่อตัวดาวฤกษ์และกาแลคซีที่สงบนิ่งในพื้นที่สองรูปแบบทั่วโลกจะได้รับการกู้คืน เช่นเดียวกับความสัมพันธ์ระหว่างมวลโลหะของกาแลคซีที่กำเนิดดาว การเปรียบเทียบระหว่างสเปกตรัมที่สังเกตได้กับสเปกตรัมที่สร้างขึ้นโดยธรรมชาติแสดงให้เห็นข้อตกลงที่ดีในด้านความเป็นโลหะ อายุ Dn4000 การกระจายตัวของความเร็วดาวฤกษ์ และค่า E(BV) การประมาณค่าโฟโตเมตริกเรดชิฟต์ของอัลกอริธึมกำเนิดของเราสามารถแข่งขันกับเทคนิคการเรียนรู้เชิงลึกเฉพาะทางอื่นๆ ในปัจจุบันได้ นอกจากนี้ งานนี้ยังถือเป็นความพยายามครั้งแรกในงานวิจัยที่จะอนุมานการกระจายตัวของความเร็วจากภาพถ่ายโฟโตเมตริก นอกจากนี้ เราสามารถทำนายการมีอยู่ของนิวเคลียสดาราจักรกัมมันต์ได้ด้วยความแม่นยำ $82,%$ - ด้วยวิธีการของเรา สามารถรับคุณสมบัติของกาแลคซีที่น่าสนใจทางวิทยาศาสตร์ ซึ่งปกติต้องใช้ข้อมูลทางสเปกโทรสโกปีในชุดข้อมูลในอนาคตจากการสำรวจโฟโตเมตริกขนาดใหญ่เพียงอย่างเดียว การทำนายสเปกตรัมผ่าน AI สามารถช่วยในการสร้างแคตตาล็อกจำลองที่สมจริงยิ่งขึ้น

การใช้งาน

สามารถระบุพารามิเตอร์สำหรับเครือข่ายคอนทราสต์ได้ในไฟล์ params_contrastive.yml สามารถฝึกอบรมเครือข่ายคอนทราสต์ได้โดยการโทรไปที่ train_contrastive.py ในทำนองเดียวกัน พารามิเตอร์สำหรับโมเดลการแพร่กระจายสามารถระบุได้ในไฟล์ params_generative.yml จากนั้นสามารถฝึกอบรมได้โดยโทรไปที่ train_generative.py สำหรับการอนุมาน ให้ใช้ generate.py นอกจากนี้ยังใช้ params_generative.yml สำหรับการตั้งค่าด้วย

ความคิดเห็น

• เราใช้ Pytorch Ignite ในการฝึกโมเดลของเรา
• เลเยอร์การสนใจข้ามจะขึ้นอยู่กับพื้นที่เก็บข้อมูล Latent Diffusion Models

การอ้างอิง

หากคุณพบว่าผลงานของเรามีประโยชน์ โปรดพิจารณาอ้างอิงโดยใช้

 @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}
}

และ

 @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}
}