論文の概要: Identifying AGN host galaxies with convolutional neural networks

• arxiv url: http://arxiv.org/abs/2212.07881v1
• Date: Thu, 15 Dec 2022 15:04:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-16 17:36:27.747542
• Title: Identifying AGN host galaxies with convolutional neural networks
• Title（参考訳）: 畳み込みニューラルネットワークによるAGNホスト銀河の同定
• Authors: Ziting Guo, John F. Wu, Chelsea E. Sharon
• Abstract要約: 我々は、AGNホスト銀河と非活性銀河を区別するために畳み込みニューラルネットワーク(CNN)を訓練する。 合成物質としてスペクトル分類された33,000個の銀河のCNNを評価する。
• 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: Active galactic nuclei (AGN) are supermassive black holes with luminous accretion disks found in some galaxies, and are thought to play an important role in galaxy evolution. However, traditional optical spectroscopy for identifying AGN requires time-intensive observations. We train a convolutional neural network (CNN) to distinguish AGN host galaxies from non-active galaxies using a sample of 210,000 Sloan Digital Sky Survey galaxies. We evaluate the CNN on 33,000 galaxies that are spectrally classified as composites, and find correlations between galaxy appearances and their CNN classifications, which hint at evolutionary processes that affect both galaxy morphology and AGN activity. With the advent of the Vera C. Rubin Observatory, Nancy Grace Roman Space Telescope, and other wide-field imaging telescopes, deep learning methods will be instrumental for quickly and reliably shortlisting AGN samples for future analyses.
• Abstract（参考訳）: アクティブ・ギャラクティック・核 (agn) は、いくつかの銀河で発見された光降着円盤を持つ超大質量ブラックホールであり、銀河の進化において重要な役割を担っていると考えられている。 しかし、agnを同定するための従来の光学分光法は時間を要する。 我々は、21万個のスローンデジタルスカイサーベイ銀河を用いて、AGNホスト銀河と非活動銀河を区別するために畳み込みニューラルネットワーク(CNN)を訓練する。 スペクトル分類された33,000の銀河のcnnを評価し、銀河の出現とcnnの分類の相関を見いだし、銀河の形態とagn活性の両方に影響を与える進化過程を示唆する。 ヴェラ・C・ルービン天文台、ナンシー・グレース・ロマン宇宙望遠鏡、その他の広視野撮像望遠鏡の出現により、深層学習法は将来の分析のために迅速かつ確実にAGNサンプルをショートリスト化するための手段となる。

関連論文リスト

• Estimating Dark Matter Halo Masses in Simulated Galaxy Clusters with Graph Neural Networks [0.0]
  シミュレーション銀河団の恒星質量から$rmM_rmhalo$を予測するグラフニューラルネットワーク(GNN)モデルを提案する。 ランダムな森林のような従来の機械学習モデルとは異なり、我々のGNNは銀河団の情報豊富なサブ構造を捉えている。 TNG-Clusterデータセットに基づいてトレーニングされ、TNG300シミュレーションで独立にテストされたGNNモデルは、他のベースラインモデルよりも優れた予測性能を達成する。
  論文  参考訳（メタデータ） (2024-11-19T16:40:17Z)
• 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)
• Deep-learning based measurement of planetary radial velocities in the presence of stellar variability [70.4007464488724]
  我々は、HARPS-N Sun-as-a-star Spectraの3年間の恒星RVジッタを低減するためにニューラルネットワークを使用する。 マルチラインCNNは、半振幅0.2m/s、50日間、振幅8.8%、周期0.7%の誤差で惑星を回復することができる。
  論文  参考訳（メタデータ） (2023-04-10T18:33:36Z)
• Photometric identification of compact galaxies, stars and quasars using multiple neural networks [0.9894420655516565]
  MargNetは、恒星、クエーサー、コンパクト銀河を識別するためのディープラーニングベースの分類器である。 データの分類を直接学習し、人間の介入の必要性を最小限に抑える。 MargNetは、コンパクト銀河のみに焦点を当てた最初の分類器である。
  論文  参考訳（メタデータ） (2022-11-15T18:37:04Z)
• 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)
• 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)
• Processing Images from Multiple IACTs in the TAIGA Experiment with Convolutional Neural Networks [62.997667081978825]
  我々は、畳み込みニューラルネットワーク(CNN)を用いて、TAIGA実験からモンテカルロシミュレーション画像を分析する。 この分析は、ガンマ線によるシャワーに対応する画像の選択と、ガンマ線のエネルギーを推定することを含む。
  論文  参考訳（メタデータ） (2021-12-31T10:49:11Z)
• 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)
• Automated Detection of Double Nuclei Galaxies using GOTHIC and the Discovery of a Large Sample of Dual AGN [0.0]
  我々は、GOTHIC(Graph BOosted Iterated HIll Climbing)と呼ばれる二重核銀河(DNG)を検出する新しいアルゴリズムを提案する。 本研究の目的は、銀河内の2つまたは複数の活動銀河核(AGN)のサンプルを検出することである。 以上の結果から,2重 AGN は一般的ではなく,3重 AGN はさらに稀であることがわかった。
  論文  参考訳（メタデータ） (2020-11-23T18:58:10Z)
• Predicting galaxy spectra from images with hybrid convolutional neural networks [0.0]
  バッチ正規化の代わりにデコンボリューションを伴うハイブリッド畳み込みニューラルネットワークを用いた強力な新しいアプローチを提案する。 銀河画像とスペクトルの間の学習されたマッピングは、将来の広視野探査に革命をもたらすだろう。
  論文  参考訳（メタデータ） (2020-09-25T16:16:16Z)
• Bridging the Gap between Spatial and Spectral Domains: A Survey on Graph Neural Networks [52.76042362922247]
  グラフニューラルネットワーク(GNN)は、非ユークリッドグラフ構造を扱うように設計されている。 既存のGNNは様々な手法を用いて提示され、直接比較と相互参照がより複雑になる。 既存のGNNを空間およびスペクトル領域に整理し、各領域内の接続を公開する。
  論文  参考訳（メタデータ） (2020-02-27T01:15:10Z)

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。