產生光譜

沒有光譜的星系光譜

用於論文“沒有光譜的星系光譜：具有條件擴散模型的光度圖像的星系屬性”（正在審查中）和“使用條件擴散模型從光度測量生成天文光譜”（NeurIPS 2022 機器學習和物理科學研討會）的代碼。

此儲存庫包含用於訓練我們的對比網路和生成網路的程式碼。 utils資料夾中提供了下載資料的程式碼。

抽象的

現代光譜測量只能針對廣域測量中大量光度分類源中的一小部分。在這裡，我們報告了一種生成式人工智慧方法的開發，該方法能夠僅根據光度寬頻影像來預測光學星系光譜。此方法借鑒了擴散模型的最新進展並結合了對比網絡。我們將多波段星系影像傳遞到架構中以獲得光譜。由此，可以使用光譜工具箱中的任何方法導出星系屬性的穩健值，例如標準總體合成技術和利克指數。當在斯隆數位巡天的 64 × 64 像素影像上進行訓練和測試時，光度空間中恆星形成星系和靜止星系的全局雙峰性以及恆星形成星系的質量金屬豐度關係得以恢復。觀測到的光譜與人工創建的光譜之間的比較表明，在總體金屬豐度、年齡、Dn4000、恆星速度分散和 E(BV) 值方面具有良好的一致性。我們的生成演算法的光度紅移估計可以與其他目前的專業深度學習技術競爭。此外，這項工作是文獻中首次嘗試從光度影像推斷速度分散。此外，我們可以預測活動星系核的存在，準確度為 $82，%$ 。透過我們的方法，通常需要光譜輸入的具有科學意義的星系特性可以在未來的資料集中僅透過大規模光度測量來獲得。透過人工智慧進行的光譜預測可以進一步幫助創建真實的模擬目錄。

用法

對比網路的參數可以在params_contrastive.yml檔案中指定。可以透過呼叫train_contrastive.py來訓練對比網路。同樣，擴散模型的參數可以在params_generative.yml檔案中指定。然後可以透過呼叫train_generative.py對其進行訓練。為了進行推理，請使用generate.py 。這也使用params_generative.yml進行設定。

評論

• 我們使用 Pytorch Ignite 來訓練我們的模型。
• 交叉注意力層基於潛在擴散模型儲存庫。

引文

如果您發現我們的作品有幫助，請考慮使用

 @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}
}