論文の概要: Using Machine Learning to Determine Morphologies of $z<1$ AGN Host Galaxies in the Hyper Suprime-Cam Wide Survey

• arxiv url: http://arxiv.org/abs/2212.09984v1
• Date: Tue, 20 Dec 2022 04:00:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-21 17:26:44.608041
• Title: Using Machine Learning to Determine Morphologies of $z<1$ AGN Host Galaxies in the Hyper Suprime-Cam Wide Survey
• Title（参考訳）: ハイパーsuprime-camワイドサーベイにおけるz<1$ agnホスト銀河の形態決定に機械学習を用いる
• Authors: Chuan Tian, C. Megan Urry, Aritra Ghosh, Ryan Ofman, Tonima Tasnim Ananna, Connor Auge, Nico Cappelluti, Meredith C. Powell, David B. Sanders, Kevin Schawinski, Dominic Stark, Grant R. Tremblay
• Abstract要約: 本稿では,AGNホスト銀河の形態をz1$以内で正確に特徴付けるための機械学習フレームワークを提案する。 まず、多数のシミュレートされた銀河をトレーニングし、それからより少ない分類された実際の銀河を微調整することで、我々のフレームワークは、テストセットからホスト銀河を60～70%でシミュレートする実際の形態を予測した。 我々のモデルは96%/82%/79%のディスク精度、90%/90%/80%のバルジ精度を未決定分率30%/43%/42の閾値で達成する。
• 参考スコア（独自算出の注目度）: 4.747578120823036
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We present a machine-learning framework to accurately characterize morphologies of Active Galactic Nucleus (AGN) host galaxies within $z<1$. We first use PSFGAN to decouple host galaxy light from the central point source, then we invoke the Galaxy Morphology Network (GaMorNet) to estimate whether the host galaxy is disk-dominated, bulge-dominated, or indeterminate. Using optical images from five bands of the HSC Wide Survey, we build models independently in three redshift bins: low $(0<z<0.25)$, medium $(0.25<z<0.5)$, and high $(0.5<z<1.0)$. By first training on a large number of simulated galaxies, then fine-tuning using far fewer classified real galaxies, our framework predicts the actual morphology for $\sim$ $60\%-70\%$ host galaxies from test sets, with a classification precision of $\sim$ $80\%-95\%$, depending on redshift bin. Specifically, our models achieve disk precision of $96\%/82\%/79\%$ and bulge precision of $90\%/90\%/80\%$ (for the 3 redshift bins), at thresholds corresponding to indeterminate fractions of $30\%/43\%/42\%$. The classification precision of our models has a noticeable dependency on host galaxy radius and magnitude. No strong dependency is observed on contrast ratio. Comparing classifications of real AGNs, our models agree well with traditional 2D fitting with GALFIT. The PSFGAN+GaMorNet framework does not depend on the choice of fitting functions or galaxy-related input parameters, runs orders of magnitude faster than GALFIT, and is easily generalizable via transfer learning, making it an ideal tool for studying AGN host galaxy morphology in forthcoming large imaging survey.
• Abstract（参考訳）: 本稿では,活性銀河核(AGN)ホスト銀河の形態を$z<1$以内で正確に特徴付ける機械学習フレームワークを提案する。 まず、psfganを使ってホストの銀河光を中心点源から切り離し、次にギャラクシー形態ネットワーク(gamornet)を起動して、ホストの銀河がディスク支配、バルジ支配、あるいは不確定であるかどうかを推定する。 HSCワイドサーベイの5つのバンドの光学画像を用いて、3つの赤方偏移ビンに独立にモデルを構築する: low $(0<z<0.25)$, medium $(0.25<z<0.5)$, high $(0.5<z<1.0)$。 まず、多くのシミュレーション銀河を訓練し、その後、はるかに少ない分類された実銀河を用いて微調整することで、我々は、実際の形態をテストセットから予測し、redshift binに依存する分類精度で$\sim$ $$ $80\%-95\%$である。 具体的には,不確定分数30\%/43\%/42\%$に対応するしきい値で,ディスク精度9,6\%/82\%/79\%$,バルジ精度90\%/90\%/80\%$(レッドシフトビン3個について)を達成する。 我々のモデルの分類精度は、ホスト銀河半径と等級に顕著な依存性がある。 コントラスト比に強い依存は見られない。 実AGNの分類と比較すると、従来の2DフィッティングとGALFITとよく一致する。 PSFGAN+GaMorNetフレームワークは、適合関数や銀河関連入力パラメータの選択に依存しず、GALFITよりも桁違いに高速に動作し、転送学習により容易に一般化できるため、近日中の大型イメージングサーベイにおいてAGNホスト銀河形態を研究する上で理想的なツールとなる。

関連論文リスト

• The Optimization Landscape of SGD Across the Feature Learning Strength [102.1353410293931]
  オンライントレーニング環境で、さまざまなモデルやデータセットに$gamma$をスケーリングする効果について検討する。 最適なオンラインパフォーマンスは、しばしば大きな$gamma$で見られます。 以上の結果から,大容量ガンマ$限界の解析的研究は,実演モデルにおける表現学習のダイナミクスに関する有用な知見をもたらす可能性が示唆された。
  論文  参考訳（メタデータ） (2024-10-06T22:30:14Z)
• Robust Field-level Likelihood-free Inference with Galaxies [0.0]
  我々は、CAMELSプロジェクトの最先端の流体力学シミュレーションから銀河カタログを用いて、グラフニューラルネットワークを訓練し、フィールドレベル確率自由推論を行う。 我々のモデルは回転、翻訳、置換不変であり、スケールにいかなるカットも課さない。 我々のモデルは、天体物理学、サブグリッド物理学、およびサブハロ/ガラクシーファインダーの変化に対して堅牢であることがわかった。
  論文  参考訳（メタデータ） (2023-02-27T19:26:13Z)
• Neural Inference of Gaussian Processes for Time Series Data of Quasars [72.79083473275742]
  クエーサースペクトルを完全に記述できる新しいモデルを提案する。 また、$textitNeural Inference$というガウス的プロセスパラメータの推論の新しいメソッドも導入しています。 CDRWモデルとNeural Inferenceの組み合わせはベースラインのDRWとMLEを大きく上回っている。
  論文  参考訳（メタデータ） (2022-11-17T13:01:26Z)
• Hierarchical Inference of the Lensing Convergence from Photometric Catalogs with Bayesian Graph Neural Networks [0.0]
  我々は銀河ギャラクシーレンズのスケールを$sim$1$''で変動させ、BGNNを訓練するためにランダムな視線を抽出する。 BGNNは、1000の視線からなる各テストセットに対して、個々の$kappa$aftersを推論し、階層的ベイズモデルで組み合わせる。 トレーニングセットでよくサンプリングされたテストフィールドに対して、BGNNは、正確にはバイアスなく、人口平均の$kappa$を回収する。
  論文  参考訳（メタデータ） (2022-11-15T00:29:20Z)
• 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)
• Learning cosmology and clustering with cosmic graphs [0.0]
  我々は、CAMELSプロジェクトの最先端の流体力学シミュレーションから数千の銀河カタログのディープラーニングモデルを訓練する。 まず、GNNが数パーセントの精度で銀河カタログのパワースペクトルを計算することができることを示す。 次に、GNNをトレーニングし、銀河場レベルで可能性のない推論を行う。
  論文  参考訳（メタデータ） (2022-04-28T18:00:02Z)
• 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)
• Morphological classification of astronomical images with limited labelling [0.0]
  本稿では, 対向オートエンコーダ(AAE)モデルの能動的学習に基づく, 銀河形態分類の効果的な半教師付き手法を提案する。 2値分類問題(Galaxy Zoo 2決定木のトップレベル問題)では、わずか0.86万のマークアップアクションで、テスト部分で93.1%の精度を達成した。 マークアップ精度が95.5%のベストモデルです。
  論文  参考訳（メタデータ） (2021-04-27T19:26:27Z)
• 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)
• Model-Based Multi-Agent RL in Zero-Sum Markov Games with Near-Optimal Sample Complexity [67.02490430380415]
  モデルに基づくMARLは、Nash平衡値(NE)を求めるために$tilde O(|S||B|(gamma)-3epsilon-2)$のサンプル複雑性を実現する。 また、アルゴリズムが報酬に依存しない場合、そのようなサンプル境界は最小値(対数因子まで)であり、アルゴリズムは報酬知識のない遷移サンプルを問合せする。
  論文  参考訳（メタデータ） (2020-07-15T03:25:24Z)
• Determination of the relative inclination and the viewing angle of an interacting pair of galaxies using convolutional neural networks [0.0]
  我々は、相互作用する銀河対の相対傾き(i$)と視角(theta$)を決定するために、ディープ畳み込みニューラルネットワーク(DCNN)モデルを構築した。 i$と$theta$の両方の値に基づく分類では、9クラスの分類(0circ,15circ),(0circ,45circ),(0circ,90circ),(45circ,45circ),(90circ)のDCNNモデルを開発する。
  論文  参考訳（メタデータ） (2020-02-04T11:54:07Z)

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。