論文の概要: Disentangled Representation Learning for Astronomical Chemical Tagging

• arxiv url: http://arxiv.org/abs/2103.06377v1
• Date: Wed, 10 Mar 2021 22:55:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-12 14:34:57.336764
• Title: Disentangled Representation Learning for Astronomical Chemical Tagging
• Title（参考訳）: 天文化学タギングにおける離散表現学習
• Authors: Damien de Mijolla, Melissa Ness, Serena Viti, Adam Wheeler
• Abstract要約: 本稿では、他のパラメータから恒星スペクトルの変動の化学因子を分離する方法を提案する。 これにより、これらのパラメータを取り除き、各恒星のスペクトル投影を構築することができる。 本研究は,データ駆動アビダンスフリーケミカルタギングの実現可能性を示す。
• 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: Modern astronomical surveys are observing spectral data for millions of stars. These spectra contain chemical information that can be used to trace the Galaxy's formation and chemical enrichment history. However, extracting the information from spectra, and making precise and accurate chemical abundance measurements are challenging. Here, we present a data-driven method for isolating the chemical factors of variation in stellar spectra from those of other parameters (i.e. \teff, \logg, \feh). This enables us to build a spectral projection for each star with these parameters removed. We do this with no ab initio knowledge of elemental abundances themselves, and hence bypass the uncertainties and systematics associated with modeling that rely on synthetic stellar spectra. To remove known non-chemical factors of variation, we develop and implement a neural network architecture that learns a disentangled spectral representation. We simulate our recovery of chemically identical stars using the disentangled spectra in a synthetic APOGEE-like dataset. We show that this recovery declines as a function of the signal to noise ratio, but that our neural network architecture outperforms simpler modeling choices. Our work demonstrates the feasibility of data-driven abundance-free chemical tagging.
• Abstract（参考訳）: 現代の天文学調査は、数百万の恒星のスペクトルデータを観測している。 これらのスペクトルは、銀河の形成と化学濃縮の歴史を追跡できる化学情報を含んでいる。 しかし、スペクトルから情報を抽出し、正確で正確な化学量測定を行うことは困難です。 本稿では,他のパラメータから恒星スペクトルの変化の化学的要因を分離するためのデータ駆動手法を提案する。 \teff, \logg, \feh)。 これにより、これらのパラメータを取り除き、各恒星のスペクトル投影を構築することができる。 このことは、元素の存在量自体の初歩的な知識を持たず、そのため、合成恒星スペクトルに依存するモデリングに関連する不確実性や体系を回避できる。 変動の既知の非化学的要因を取り除くために,不連続スペクトル表現を学習するニューラルネットワークアーキテクチャを開発し,実装する。 合成APOGEE様データセットの離散スペクトルを用いて、化学的に同一の恒星の回収をシミュレートする。 このリカバリは信号対雑音比の関数として減少するが、ニューラルネットワークアーキテクチャはより単純なモデリング選択よりも優れていることを示す。 本研究は,データ駆動アビダンスフリーケミカルタギングの実現可能性を示す。

関連論文リスト

• A method based on Generative Adversarial Networks for disentangling physical and chemical properties of stars in astronomical spectra [0.16385815610837165]
  本研究では, 天体物理スペクトル解析の文脈において, 敵の訓練を行うエンコーダ・デコーダアーキテクチャを設計した。 深層学習のスキームは、データに含まれる残りの情報のパラメータを潜在空間で解き放つことを目的として使用される。 この方法の有効性を検証するため,APOGEE と Gaia の調査から合成天文学データを用いた。
  論文  参考訳（メタデータ） (2024-11-08T20:45:09Z)
• MolGrapher: Graph-based Visual Recognition of Chemical Structures [50.13749978547401]
  化学構造を視覚的に認識するためにMolGrapherを導入する。 すべての候補原子と結合をノードとして扱い、それらをグラフ化する。 グラフニューラルネットワークを用いてグラフ内の原子と結合ノードを分類する。
  論文  参考訳（メタデータ） (2023-08-23T16:16:11Z)
• Searching for Novel Chemistry in Exoplanetary Atmospheres using Machine Learning for Anomaly Detection [1.8434042562191815]
  我々は、異常検出のための機械学習(ML)技術の太陽系外惑星トランジットスペクトルへの応用を提唱する。 合成スペクトルの大規模公開データベース上での2つの一般的な異常検出手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-08-15T07:19:54Z)
• ChemVise: Maximizing Out-of-Distribution Chemical Detection with the Novel Application of Zero-Shot Learning [60.02503434201552]
  本研究は,簡単な学習セットから複雑な露光の学習近似を提案する。 合成センサ応答に対するこのアプローチは, 分布外の化学分析物の検出を驚くほど改善することを示した。
  論文  参考訳（メタデータ） (2023-02-09T20:19:57Z)
• Neural network for determining an asteroid mineral composition from reflectance spectra [4.282159812965446]
  小惑星の化学組成と鉱物組成は、太陽系の形成と歴史を反映している。 本研究の目的は, 可視・近赤外スペクトルからケイ酸塩材料の鉱物・化学組成を抽出する, 高速で堅牢なニューラルネットワークベースの手法を開発することである。
  論文  参考訳（メタデータ） (2022-10-03T15:14:05Z)
• Deep Learning Models of the Discrete Component of the Galactic Interstellar Gamma-Ray Emission [61.26321023273399]
  H2星間ガス中の小さな(あるいは離散的な)構造からの重要な点状成分がフェルミ・LATデータに存在する可能性がある。 深層学習は、これらの稀なH2プロキシによって追跡されるガンマ線放射を、データ豊富な領域において統計的に有意な範囲でモデル化するために効果的に利用される可能性がある。
  論文  参考訳（メタデータ） (2022-06-06T18:00:07Z)
• Unsupervised Machine Learning for Exploratory Data Analysis of Exoplanet Transmission Spectra [68.8204255655161]
  我々は、通過する太陽系外惑星のスペクトルデータを解析するための教師なし手法に焦点をあてる。 スペクトルデータには、適切な低次元表現を要求する高い相関関係があることが示される。 主成分に基づく興味深い構造、すなわち、異なる化学状態に対応する明確に定義された分岐を明らかにする。
  論文  参考訳（メタデータ） (2022-01-07T22:26:33Z)
• Analytical Modelling of Exoplanet Transit Specroscopy with Dimensional Analysis and Symbolic Regression [68.8204255655161]
  ディープラーニング革命は、そのような分析結果を直接、データに適合するコンピュータアルゴリズムで導き出すための扉を開いた。 我々は、一般的なホットジュピター系外惑星の遷移半径の合成データにおける記号回帰の利用をうまく実証した。 前処理のステップとして,変数の無次元な組み合わせを特定するために次元解析を用いる。
  論文  参考訳（メタデータ） (2021-12-22T00:52:56Z)
• Unsupervised Spectral Unmixing For Telluric Correction Using A Neural Network Autoencoder [58.720142291102135]
  本研究では,HARPS-N線速度スペクトルから高精度の太陽スペクトルを抽出するニューラルネットワークオートエンコーダ手法を提案する。
  論文  参考訳（メタデータ） (2021-11-17T12:54:48Z)
• Measuring chemical likeness of stars with RSCA [0.0]
  我々は、スペクトルのみから化学的に類似した恒星を同定できる新しいデータ駆動モデルを提案する。 我々の表現は、恒星の存在量測定よりも、既知の恒星の兄弟を効果的に識別する。
  論文  参考訳（メタデータ） (2021-10-05T18:03:59Z)

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。