Fugu-MT 論文翻訳(概要): Predicting star formation properties of galaxies using deep learning

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

Effective Fine-Tuning of Vision-Language Models for Accurate Galaxy Morphology Analysis [3.379005517804234]
GalaxAlignは、天文学的なタスクにおいて高い精度を達成するために、事前訓練された基礎モデルを微調整する新しい方法である。本手法は,3種類のデータを微調整で整列させるために,コントラスト学習アーキテクチャを拡張した。
論文参考訳（メタデータ） (2024-11-29T05:10:47Z)
Learning the Evolution of Physical Structure of Galaxies via Diffusion Models [29.01313417459577]
本稿では、銀河画像を生成するために、赤方偏移にDDPM(Denoising Diffusion Probabilistic Models)を適応させる新しい手法を提案する。我々は、この先進的な生成モデルが、その画像と赤方偏移測定のみに基づいて、銀河の物理的特性を正確に捉えることができるかどうかを考察する。
論文参考訳（メタデータ） (2024-11-27T15:28:30Z)
Rewrite the Stars [70.48224347277014]
近年の研究では、ネットワーク設計における「スター操作」の未解決の可能性に注意が向けられている。本研究は、高次元の非線形特徴空間に入力をマッピングする恒星操作の能力を明らかにすることを試みる。 StarNetはシンプルだがパワフルなプロトタイプで、素晴らしいパフォーマンスと低レイテンシを誇示しています。
論文参考訳（メタデータ） (2024-03-29T04:10:07Z)
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)
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)
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。