論文の概要: Predicting star formation properties of galaxies using deep learning
- arxiv url: http://arxiv.org/abs/2002.03578v1
- Date: Mon, 10 Feb 2020 07:04:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-02 09:38:33.375098
- Title: Predicting star formation properties of galaxies using deep learning
- Title(参考訳): 深層学習による銀河の星形成特性の予測
- Authors: Shraddha Surana, Yogesh Wadadekar, Omkar Bait, Hrushikesh Bhosle
- Abstract要約: 本稿では、恒星質量、星形成速度、塵の3つの重要な星形成特性を予測するための深層学習手法を提案する。
我々は,標準星群合成符号の出力との比較により,ディープラーニングモデルの性能を特徴付ける。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Understanding the star-formation properties of galaxies as a function of
cosmic epoch is a critical exercise in studies of galaxy evolution.
Traditionally, stellar population synthesis models have been used to obtain
best fit parameters that characterise star formation in galaxies. As multiband
flux measurements become available for thousands of galaxies, an alternative
approach to characterising star formation using machine learning becomes
feasible. In this work, we present the use of deep learning techniques to
predict three important star formation properties -- stellar mass, star
formation rate and dust luminosity. We characterise the performance of our deep
learning models through comparisons with outputs from a standard stellar
population synthesis code.
- Abstract(参考訳): 銀河の星形成特性を宇宙エポックの関数として理解することは、銀河進化の研究において重要な運動である。
伝統的に、星団合成モデルは銀河の星形成を特徴づける最も適したパラメータを得るために用いられてきた。
何千もの銀河でマルチバンドフラックス測定が利用可能になると、機械学習を用いて星形成を特徴づける別のアプローチが実現可能になる。
本研究では、恒星質量、星形成速度、塵の光度という3つの重要な星形成特性を予測するための深層学習手法を提案する。
我々は,標準星群合成符号の出力との比較により,ディープラーニングモデルの性能を特徴付ける。
関連論文リスト
- Galaxy Classification: A machine learning approach for classifying
shapes using numerical data [0.0]
我々は,Galaxy Zooプロジェクトの数値データを用いて,銀河分類のための機械学習モデルを提案する。
我々のモデルは銀河の分類において高い精度を達成し、銀河の形成と進化の理解を著しく向上させる可能性を持っている。
論文 参考訳(メタデータ) (2023-11-30T20:47:16Z) - AstroCLIP: Cross-Modal Pre-Training for Astronomical Foundation Models [42.19323262199993]
本稿では、天文学基盤モデルの構築を促進するための戦略であるAstroCLIPを紹介する。
我々は,銀河の光学スペクトルと画像の相互比較学習手法が,高い情報的埋め込みをもたらすことを実証した。
論文 参考訳(メタデータ) (2023-10-04T17:59:38Z) - Astronomia ex machina: a history, primer, and outlook on neural networks
in astronomy [0.0]
我々は天文学における接続性の進化をその3つの波で追跡した。
我々は、天文学的な応用のために微調整されたGPTライクな基礎モデルの採用を論じる。
論文 参考訳(メタデータ) (2022-11-07T19:00:00Z) - Semi-Supervised Domain Adaptation for Cross-Survey Galaxy Morphology
Classification and Anomaly Detection [57.85347204640585]
We developed a Universal Domain Adaptation method DeepAstroUDA。
異なるタイプのクラスオーバーラップしたデータセットに適用することができる。
初めて、我々は2つの非常に異なる観測データセットに対するドメイン適応の有効利用を実演した。
論文 参考訳(メタデータ) (2022-11-01T18:07:21Z) - Towards solving model bias in cosmic shear forward modeling [2.967246997200238]
弱い重力レンズは、宇宙のせん断と呼ばれる銀河形態のわずかなせん断を発生させる。
楕円度測定の統計に基づくせん断推定の現代の技術は、楕円度が任意の銀河の光のプロファイルに対して適切に定義された量ではないという事実に悩まされている。
生成モデルが銀河形態を捉えるハイブリッド物理・ディープラーニング階層ベイズモデルにより、現実的な銀河上でのせん断の偏りのない推定を復元できることを示す。
論文 参考訳(メタデータ) (2022-10-28T16:23:49Z) - O-type Stars Stellar Parameter Estimation Using Recurrent Neural
Networks [0.0]
これまでの研究では、恒星モデルに適合する信頼性の高い方法を確立するために、機械学習とディープラーニングのアルゴリズムのセットを比較した。
本稿では,ニューラルネットワークの観点から,個々の物理パラメータを推定する方法について述べる。
3つの異なるリカレントニューラルネットワークシステムの開発、恒星スペクトルモデルを用いたトレーニングプロセス、9つの異なる観測された恒星スペクトルに対するテスト、および過去の研究における推定との比較について述べる。
論文 参考訳(メタデータ) (2022-10-23T17:18:52Z) - Inferring Structural Parameters of Low-Surface-Brightness-Galaxies with
Uncertainty Quantification using Bayesian Neural Networks [70.80563014913676]
ベイズニューラルネットワーク (BNN) を用いて, シミュレーションした低地表面明度銀河画像から, それらのパラメータの不確かさを推測できることを示す。
従来のプロファイル適合法と比較して、BNNを用いて得られた不確実性は等しく、よく校正され、パラメータの点推定は真の値に近いことを示す。
論文 参考訳(メタデータ) (2022-07-07T17:55:26Z) - Supernova Light Curves Approximation based on Neural Network Models [53.180678723280145]
光度データによる超新星の分類は、天文学におけるビッグデータのリアルタイム処理の出現によって課題となる。
近年の研究では、様々な機械学習モデルに基づく解の優れた品質が実証されている。
我々は,多層パーセプトロン(MLP),ベイジアンニューラルネットワーク(BNN),正規化フロー(NF)の単一光曲線観測への応用について検討した。
論文 参考訳(メタデータ) (2022-06-27T13:46:51Z) - Which priors matter? Benchmarking models for learning latent dynamics [70.88999063639146]
古典力学の先行概念を機械学習モデルに統合する手法が提案されている。
これらのモデルの現在の機能について、精査する。
連続的および時間的可逆的ダイナミクスの使用は、すべてのクラスのモデルに恩恵をもたらす。
論文 参考訳(メタデータ) (2021-11-09T23:48:21Z) - Morphological Classification of Galaxies in S-PLUS using an Ensemble of
Convolutional Networks [0.0]
我々は,Galaxy Zooプロジェクトの正確な視覚分類とemph Deep Learning手法を組み合わせる。
ニューラルネットワークモデルは、他の4つの畳み込みモデルのアンサンブルによって作成され、どの個人でも得られるものよりも、分類の精度が高い。
論文 参考訳(メタデータ) (2021-07-05T21:51:19Z) - DeepShadows: Separating Low Surface Brightness Galaxies from Artifacts
using Deep Learning [70.80563014913676]
本研究では,低地光度銀河と人工物とを分離する問題に対する畳み込みニューラルネットワーク(CNN)の利用について検討する。
我々は、CNNが低地光度宇宙の研究に非常に有望な道を提供することを示した。
論文 参考訳(メタデータ) (2020-11-24T22:51:08Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。