論文の概要: Automatic Machine Learning Framework to Study Morphological Parameters of AGN Host Galaxies within $z < 1.4$ in the Hyper Supreme-Cam Wide Survey

• arxiv url: http://arxiv.org/abs/2501.15739v1
• Date: Mon, 27 Jan 2025 03:04:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-28 13:53:51.862696
• Title: Automatic Machine Learning Framework to Study Morphological Parameters of AGN Host Galaxies within $z < 1.4$ in the Hyper Supreme-Cam Wide Survey
• Title（参考訳）: ハイパー・スプリーム・カム・ワイドサーベイにおけるAGNホスト銀河の形態パラメータを$z < 1.4$以内で研究するための自動機械学習フレームワーク
• Authors: Chuan Tian, C. Megan Urry, Aritra Ghosh, Daisuke Nagai, Tonima T. Ananna, Meredith C. Powell, Connor Auge, Aayush Mishra, David B. Sanders, Nico Cappelluti, Kevin Schawinski,
• Abstract要約: 本稿では,AGNホスト銀河のバルジ-トータル光比,半光半径,フラックスの後方分布を推定する機械学習フレームワークを提案する。 我々は、PAFGANを用いて、ホスト銀河からAGN点光源光を分解し、GAMPEN(Galaxy Morphology Posterior Estimation Network)を起動し、形態パラメーターを推定する。 私たちのフレームワークは、従来の軽量なフィッティング方法よりも少なくとも3桁高速に動作します。
• 参考スコア（独自算出の注目度）: 4.6218496439194805
• License:
• Abstract: We present a composite machine learning framework to estimate posterior probability distributions of bulge-to-total light ratio, half-light radius, and flux for Active Galactic Nucleus (AGN) host galaxies within $z<1.4$ and $m<23$ in the Hyper Supreme-Cam Wide survey. We divide the data into five redshift bins: low ($0<z<0.25$), mid ($0.25<z<0.5$), high ($0.5<z<0.9$), extra ($0.9<z<1.1$) and extreme ($1.1<z<1.4$), and train our models independently in each bin. We use PSFGAN to decompose the AGN point source light from its host galaxy, and invoke the Galaxy Morphology Posterior Estimation Network (GaMPEN) to estimate morphological parameters of the recovered host galaxy. We first trained our models on simulated data, and then fine-tuned our algorithm via transfer learning using labeled real data. To create training labels for transfer learning, we used GALFIT to fit $\sim 20,000$ real HSC galaxies in each redshift bin. We comprehensively examined that the predicted values from our final models agree well with the GALFIT values for the vast majority of cases. Our PSFGAN + GaMPEN framework runs at least three orders of magnitude faster than traditional light-profile fitting methods, and can be easily retrained for other morphological parameters or on other datasets with diverse ranges of resolutions, seeing conditions, and signal-to-noise ratios, making it an ideal tool for analyzing AGN host galaxies from large surveys coming soon from the Rubin-LSST, Euclid, and Roman telescopes.
• Abstract（参考訳）: ハイパースプリーム・カムワイド調査において, 活動銀河核 (AGN) ホスト銀河の発散光比, 半光半径, フラックスの後方確率分布を$z<1.4$および$m<23$で推定する複合機械学習フレームワークを提案する。 データを5つのレッドシフトビンに分割する: 低(0<z<0.25$)、中(0.25<z<0.5$)、高(0.5<z<0.9$)、余分(0.9<z<1.1$)、極端な(1.1<z<1.4$)。 我々は、そのホスト銀河からAGN点光源光を分解するためにPSFGANを使用し、回収されたホスト銀河の形態パラメータを推定するためにギャラクシーモルフォロジー後推定ネットワーク(GaMPEN)を起動する。 まず、シミュレーションデータに基づいてモデルをトレーニングし、ラベル付き実データを用いたトランスファー学習を通じてアルゴリズムを微調整した。 転送学習のためのトレーニングラベルを作成するために、私たちはGALFITを使用して、各赤方偏移ビンに2万ドルの本物のHSC銀河を収めました。 最終モデルから予測値がGALFIT値とほぼ一致していることを示す。 我々のPSFGAN + GaMPENフレームワークは、従来の光学式フィッティング法よりも少なくとも3桁高速で動作し、他の形態パラメータや様々な解像度のデータセットで容易に再訓練できるため、ルビン・LSST、ユークリッド、ローマの望遠鏡から近い大規模な調査からAGNホスト銀河を分析するのに理想的なツールである。

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)
• SimBIG: Field-level Simulation-Based Inference of Galaxy Clustering [2.3988372195566443]
  本稿では、銀河団のフィールドレベル解析から、宇宙パラメータの最初のシミュレーションベース推論(SBI)を提案する。 重み付き畳み込みニューラルネットワークを用いて、BOSS CMASS銀河サンプルのサブセットにSimBIGを適用し、銀河場の大規模データ圧縮を行う。 この研究は、競合する宇宙学の制約を提示するだけでなく、DESI、PSS、ユークリッドのような今後の銀河調査で追加の宇宙学情報を活用する新しい手法も導入している。
  論文  参考訳（メタデータ） (2023-10-23T18:05:32Z)
• 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)
• Using Machine Learning to Determine Morphologies of $z<1$ AGN Host Galaxies in the Hyper Suprime-Cam Wide Survey [4.747578120823036]
  本稿では,AGNホスト銀河の形態をz1$以内で正確に特徴付けるための機械学習フレームワークを提案する。 まず、多数のシミュレートされた銀河をトレーニングし、それからより少ない分類された実際の銀河を微調整することで、我々のフレームワークは、テストセットからホスト銀河を60～70%でシミュレートする実際の形態を予測した。 我々のモデルは96%/82%/79%のディスク精度、90%/90%/80%のバルジ精度を未決定分率30%/43%/42の閾値で達成する。
  論文  参考訳（メタデータ） (2022-12-20T04:00:58Z)
• Cosmology from Galaxy Redshift Surveys with PointNet [65.89809800010927]
  宇宙論において、銀河赤方偏移サーベイは、宇宙における位置の置換不変な集まりに類似している。 我々は、ポイントクラウドデータから直接、宇宙パラメータの値を回帰するために、textitPointNetのようなニューラルネットワークを使用します。 我々のPointNetsの実装は、$mathcalO(104) - MathcalO(105)$銀河の入力を一度に分析できるので、この応用の初期の作業は、およそ2桁の精度で改善される。
  論文  参考訳（メタデータ） (2022-11-22T15:35:05Z)
• Neural Inference of Gaussian Processes for Time Series Data of Quasars [72.79083473275742]
  クエーサースペクトルを完全に記述できる新しいモデルを提案する。 また、$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)
• 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)
• 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)

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。