生成光谱

没有光谱的星系光谱

用于论文“没有光谱的星系光谱：具有条件扩散模型的光度图像的星系属性”（正在审查中）和“使用条件扩散模型从光度测量生成天文光谱”（NeurIPS 2022 机器学习和物理科学研讨会）的代码。

该存储库包含用于训练我们的对比网络和生成网络的代码。 utils文件夹中提供了下载数据的代码。

抽象的

现代光谱勘测只能针对广域勘测中大量光度分类源中的一小部分。在这里，我们报告了一种生成式人工智能方法的开发，该方法能够仅根据光度宽带图像来预测光学星系光谱。该方法借鉴了扩散模型的最新进展并结合了对比网络。我们将多波段星系图像传递到架构中以获得光谱。由此，可以使用光谱工具箱中的任何方法导出星系属性的稳健值，例如标准总体合成技术和利克指数。当在斯隆数字巡天的 64 × 64 像素图像上进行训练和测试时，光度空间中恒星形成星系和静止星系的全局双峰性以及恒星形成星系的质量金属丰度关系得以恢复。观测到的光谱与人工创建的光谱之间的比较表明，在总体金属丰度、年龄、Dn4000、恒星速度色散和 E(BV) 值方面具有良好的一致性。我们的生成算法的光度红移估计可以与其他当前的专业深度学习技术竞争。此外，这项工作是文献中首次尝试从光度图像推断速度色散。此外，我们可以预测活动星系核的存在，准确度为 $82，%$ 。通过我们的方法，通常需要光谱输入的具有科学意义的星系特性可以在未来的数据集中仅通过大规模光度测量获得。通过人工智能进行的光谱预测可以进一步帮助创建真实的模拟目录。

用法

对比网络的参数可以在params_contrastive.yml文件中指定。可以通过调用train_contrastive.py来训练对比网络。同样，扩散模型的参数可以在params_generative.yml文件中指定。然后可以通过调用train_generative.py对其进行训练。为了进行推理，请使用generate.py 。这也使用params_generative.yml进行设置。

评论

• 我们使用 Pytorch Ignite 来训练我们的模型。
• 交叉注意力层基于潜在扩散模型存储库。

引文

如果您发现我们的作品有帮助，请考虑使用

 @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}
}

和

 @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}
}