論文の概要: Template-Fitting Meets Deep Learning: Redshift Estimation Using Physics-Guided Neural Networks

• arxiv url: http://arxiv.org/abs/2507.00866v1
• Date: Tue, 01 Jul 2025 15:29:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:22:59.6995
• Title: Template-Fitting Meets Deep Learning: Redshift Estimation Using Physics-Guided Neural Networks
• Title（参考訳）: テンプレートフィッティングとディープラーニング:物理誘導ニューラルネットワークによる赤方偏移推定
• Authors: Jonas Chris Ferrao, Dickson Dias, Pranav Naik, Glory D'Cruz, Anish Naik, Siya Khandeparkar, Manisha Gokuldas Fal Dessai,
• Abstract要約: 本稿では,物理誘導ニューラルネットワークを用いたテンプレートフィッティングとディープラーニングを統合したハイブリッド手法を提案する。 我々は、約40万個の銀河を含むPreMLデータセット上で、我々のモデルを評価した。 提案手法は, RMS誤差0.0507, 3シグマ破滅率0.13%, バイアス0.0028を達成する。
• 参考スコア（独自算出の注目度）: 0.4416697929169138
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate photometric redshift estimation is critical for observational cosmology, especially in large-scale surveys where spectroscopic measurements are impractical. Traditional approaches include template fitting and machine learning, each with distinct strengths and limitations. We present a hybrid method that integrates template fitting with deep learning using physics-guided neural networks. By embedding spectral energy distribution templates into the network architecture, our model encodes physical priors into the training process. The system employs a multimodal design, incorporating cross-attention mechanisms to fuse photometric and image data, along with Bayesian layers for uncertainty estimation. We evaluate our model on the publicly available PREML dataset, which includes approximately 400,000 galaxies from the Hyper Suprime-Cam PDR3 release, with 5-band photometry, multi-band imaging, and spectroscopic redshifts. Our approach achieves an RMS error of 0.0507, a 3-sigma catastrophic outlier rate of 0.13%, and a bias of 0.0028. The model satisfies two of the three LSST photometric redshift requirements for redshifts below 3. These results highlight the potential of combining physically motivated templates with data-driven models for robust redshift estimation in upcoming cosmological surveys.
• Abstract（参考訳）: 正確な測光赤方偏移推定は、特に分光測度が実用的でない大規模調査において、観測宇宙学において重要である。 従来のアプローチにはテンプレートフィッティングと機械学習があり、それぞれに異なる長所と制限がある。 本稿では,物理誘導ニューラルネットワークを用いたテンプレートフィッティングとディープラーニングを統合したハイブリッド手法を提案する。 ネットワークアーキテクチャにスペクトルエネルギー分布テンプレートを埋め込むことで、トレーニングプロセスに物理先行情報をエンコードする。 このシステムは多モード設計を採用し、光度と画像データを融合するクロスアテンション機構と不確実性推定のためのベイズ層を組み込んだ。 我々は,ハイパー・サプライム・カムPDR3放出から約40万個の銀河を含むPreMLデータセット上で,5バンド光度測定,マルチバンドイメージング,分光赤方偏移を用いて,我々のモデルを評価した。 提案手法では, RMS の誤差は0.0507, 3シグマ破砕脱落率は0.13%, 偏差は0.0028である。 このモデルは、3つのLSST測光赤方偏移条件のうちの2つを満たす。 これらの結果は、今後の宇宙科学調査において、物理的に動機づけられたテンプレートとデータ駆動モデルを組み合わせることにより、ロバストな赤方偏移推定を行う可能性を浮き彫りにした。

関連論文リスト

• Mantis Shrimp: Exploring Photometric Band Utilization in Computer Vision Networks for Photometric Redshift Estimation [0.30924355683504173]
  我々は、紫外光(GALEX)、光(PanSTARRS)、赤外線(UnWISE)画像を融合した測光赤方偏移推定モデルを提案する。 Mantis Shrimpは、カットアウト画像を用いた赤方偏移の条件密度推定を推定する。 我々は、モデルがバンド間で情報を使用する方法を学び、我々のモデルがすべての調査から情報をうまく取り入れた証拠を見つける。
  論文  参考訳（メタデータ） (2025-01-15T19:46:23Z)
• SpectralGPT: Spectral Remote Sensing Foundation Model [60.023956954916414]
  SpectralGPTという名前のユニバーサルRS基盤モデルは、新しい3D生成事前学習変換器(GPT)を用いてスペクトルRS画像を処理するために構築されている。 既存の基礎モデルと比較して、SpectralGPTは、様々なサイズ、解像度、時系列、領域をプログレッシブトレーニング形式で対応し、広範なRSビッグデータのフル活用を可能にする。 我々の評価では、事前訓練されたスペクトルGPTモデルによる顕著な性能向上が強調され、地球科学分野におけるスペクトルRSビッグデータ応用の進展に有意な可能性を示唆している。
  論文  参考訳（メタデータ） (2023-11-13T07:09:30Z)
• Photo-zSNthesis: Converting Type Ia Supernova Lightcurves to Redshift Estimates via Deep Learning [0.0]
  光-zSNthesisは、完全な赤方偏移確率分布を予測する畳み込みニューラルネットワークに基づく手法である。 PLAsTiCCシミュレーションでは予測バイアスデルタz>が61倍改善し,SDSSデータでは5倍改善した。
  論文  参考訳（メタデータ） (2023-05-19T17:59:00Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Neural network enhanced measurement efficiency for molecular groundstates [63.36515347329037]
  いくつかの分子量子ハミルトニアンの複雑な基底状態波動関数を学習するために、一般的なニューラルネットワークモデルを適用する。 ニューラルネットワークモデルを使用することで、単一コピー計測結果だけで観測対象を再構築するよりも堅牢な改善が得られます。
  論文  参考訳（メタデータ） (2022-06-30T17:45:05Z)
• Photometric Redshift Estimation with Convolutional Neural Networks and Galaxy Images: A Case Study of Resolving Biases in Data-Driven Methods [0.0]
  クラス依存残差とモード崩壊の2つの主要なバイアス形態を、測光赤方偏移を推定するケーススタディとして検討する。 CNNモデルに基づく2つのバイアスを解決するための一連のステップを提案する。 実験により,本手法はベンチマーク法よりもバイアス制御能力が優れていることが示された。
  論文  参考訳（メタデータ） (2022-02-21T02:59:33Z)
• Physical model simulator-trained neural network for computational 3D phase imaging of multiple-scattering samples [1.112751058850223]
  サンプルコントラストを均質化する新しいモデルベースデータ正規化前処理法を開発した。 上皮扁平上皮細胞およびCaenorhabditis elegans wormsの実験的測定におけるこのフレームワークの能力を示す。
  論文  参考訳（メタデータ） (2021-03-29T17:43:56Z)

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。