論文の概要: Galaxy Spin Classification I: Z-wise vs S-wise Spirals With Chirality
Equivariant Residual Network
- arxiv url: http://arxiv.org/abs/2210.04168v1
- Date: Sun, 9 Oct 2022 05:12:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-11 19:50:37.783305
- Title: Galaxy Spin Classification I: Z-wise vs S-wise Spirals With Chirality
Equivariant Residual Network
- Title（参考訳）: Galaxy Spin Classification I: Z-wise vs S-wise Spirals with Chirality Equivariant Residual Network
- Authors: He Jia, Hong-Ming Zhu, Ue-Li Pen
- Abstract要約: 本稿では、銀河スピン方向測定における縮退を壊すのに役立つZ-wise vs S-wise spiralsのための機械学習に基づく分類器を提案する。
我々は,Sloan Digital Sky Survey (SDSS) 画像を用いてモデルをトレーニングし,Galaxy Zoo 1 (GZ1) プロジェクトのトレーニングラベルを付与する。
Z-wiseとS-wiseのスパイラル数との差が$sim!7sigma$差であることを検証する。
- 参考スコア（独自算出の注目度）: 0.6629765271909505
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The angular momentum of galaxies (galaxy spin) contains rich information
about the initial condition of the Universe, yet it is challenging to
efficiently measure the spin direction for the tremendous amount of galaxies
that are being mapped by the ongoing and forthcoming cosmological surveys. We
present a machine learning based classifier for the Z-wise vs S-wise spirals,
which can help to break the degeneracy in the galaxy spin direction
measurement. The proposed Chirality Equivariant Residual Network (CE-ResNet) is
manifestly equivariant under a reflection of the input image, which guarantees
that there is no inherent asymmetry between the Z-wise and S-wise probability
estimators. We train the model with Sloan Digital Sky Survey (SDSS) images,
with the training labels given by the Galaxy Zoo 1 (GZ1) project. A combination
of data augmentation tricks are used during the training, making the model more
robust to be applied to other surveys. We find a $\sim\!30\%$ increase of both
types of spirals when Dark Energy Spectroscopic Instrument (DESI) images are
used for classification, due to the better imaging quality of DESI. We verify
that the $\sim\!7\sigma$ difference between the numbers of Z-wise and S-wise
spirals is due to human bias, since the discrepancy drops to $<\!1.8\sigma$
with our CE-ResNet classification results. We discuss the potential systematics
that are relevant to the future cosmological applications.
- Abstract（参考訳）: 銀河の角運動量(ギャラクシースピン)は宇宙の初期状態に関する豊富な情報を含んでいるが、進行中の宇宙科学調査によってマッピングされている膨大な量の銀河のスピン方向を効率的に測定することは困難である。
本稿では、銀河スピン方向測定における縮退を壊すのに役立つZ-wise vs S-wise spiralsのための機械学習に基づく分類器を提案する。
提案するchirality equivariant residual network (ce-resnet) は入力画像の反映の下で明らかに同値であり、z-wise と s-wise の確率推定器の間に固有の非対称性がないことを保証する。
我々は,Sloan Digital Sky Survey (SDSS) 画像を用いてモデルをトレーニングし,Galaxy Zoo 1 (GZ1) プロジェクトのトレーニングラベルを付与する。
データ拡張トリックの組み合わせはトレーニング中に使用され、モデルを他の調査に適用する上でより堅牢にします。
我々は$\sim\!
暗いエネルギー分光器 (desi) 画像を用いた分類では, desiの撮像品質が向上し, いずれのスパイラルも30\%$上昇した。
私たちは$\sim\!
7\sigma$ z-wise と s-wise のスパイラル数の差は人間のバイアスによるもので、その差は $<\!
1.8\sigma$でCE-ResNetの分類結果を得た。
将来的な宇宙論の応用にかかわる潜在的な体系について論じる。
関連論文リスト
- Geometric deep learning for galaxy-halo connection: a case study for galaxy intrinsic alignments [1.2231689895452238]
我々は、IllustrisTNG-100シミュレーションに基づいて訓練された深部生成モデルを提案し、3次元銀河の形状と方位をサンプリングする。
このモデルは、参照シミュレーションと統計的に一致した銀河方位などの特徴を学習し、予測することができる。
論文 参考訳（メタデータ） (2024-09-27T13:55:10Z) - KPZ scaling from the Krylov space [83.88591755871734]
近年,Cardar-Parisi-Zhangスケーリングをリアルタイムの相関器や自動相関器に示す超拡散が報告されている。
これらの結果から着想を得て,Krylov演算子に基づく相関関数のKPZスケーリングについて検討する。
論文 参考訳（メタデータ） (2024-06-04T20:57:59Z) - 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) - Growing Steerable Neural Cellular Automata [63.91346650159648]
元々のNeural Cellular Automataの実装では、細胞は自身の向きを調整することができない。
調整可能な内部状態によって決定されるように、各セルが自身の配向に責任を負うようにします。
我々は,(1)2つの種のみを用いて対称性を破る,(2)回転不変の訓練目標を導入することにより,ステアブル NCA を等方的変種と類似しているが単純な方法で訓練することができることを示す。
論文 参考訳（メタデータ） (2023-02-19T09:45:46Z) - Galaxy Image Classification using Hierarchical Data Learning with
Weighted Sampling and Label Smoothing [2.7681581852623545]
本稿では,重み付きサンプリングとラベル平滑化を用いた階層的不均衡データ学習法(HIWL)を提案する。
総合的な分類精度は96.32%であり、HIWLのいくつかの優位性はリコール、精度、F1スコアに基づいて示される。
論文 参考訳（メタデータ） (2022-12-20T08:46:42Z) - Cosmology from Galaxy Redshift Surveys with PointNet [65.89809800010927]
宇宙論において、銀河赤方偏移サーベイは、宇宙における位置の置換不変な集まりに類似している。
我々は、ポイントクラウドデータから直接、宇宙パラメータの値を回帰するために、textitPointNetのようなニューラルネットワークを使用します。
我々のPointNetsの実装は、$mathcalO(104) - MathcalO(105)$銀河の入力を一度に分析できるので、この応用の初期の作業は、およそ2桁の精度で改善される。
論文 参考訳（メタデータ） (2022-11-22T15:35:05Z) - The SZ flux-mass ($Y$-$M$) relation at low halo masses: improvements
with symbolic regression and strong constraints on baryonic feedback [2.436653298863297]
AGNと超新星のフィードバックは、CMBサーベイによるハロのSZフラックスの総合的な測定に影響を与える可能性がある。
低質量のフィードバックプロセスに対してより堅牢な$Y-M$関係の類似を探索する。
この結果は,今後のSZ調査を用いて,バリオニクスフィードバックの性質を制約する上で有用である。
論文 参考訳（メタデータ） (2022-09-05T18:00:00Z) - Satellite galaxy abundance dependency on cosmology in Magneticum
simulations [101.18253437732933]
宇宙論的パラメータに基づく衛星量のエミュレータを構築した。
A$ と $beta$ はたとえ弱いとしても、宇宙的パラメータに依存する。
また、衛星の宇宙論の依存性は、フル物理シミュレーション(FP)、ダークマターシミュレーション(DMO)、非放射性シミュレーション(非放射性シミュレーション)の違いも示している。
論文 参考訳（メタデータ） (2021-10-11T18:00:02Z) - 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) - DeepMerge: Classifying High-redshift Merging Galaxies with Deep Neural
Networks [0.0]
シミュレーション画像において、融合銀河と非融合銀河を区別する作業に畳み込みニューラルネットワーク(CNN)を用いることを示す。
我々は、Illustris-1の宇宙シミュレーションから、融合銀河と非融合銀河の画像を抽出し、観測および実験的ノイズを適用した。
CNNのテストセットの分類精度は、プリスタンが79%、ノイズが76%である。
論文 参考訳（メタデータ） (2020-04-24T20:36:06Z) - Interpreting Galaxy Deblender GAN from the Discriminator's Perspective [50.12901802952574]
本研究は、ネットワークの主要なコンポーネントである識別器の動作に焦点を当てるが、しばしば見落とされがちな役割を担っている。
本手法は, 生成銀河画像と地中真理画像とを区別する際に, 識別器の注意領域を明確に明らかにする。
論文 参考訳（メタデータ） (2020-01-17T04:05:46Z)
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。