論文の概要: SM-Net: Learning a Continuous Spectral Manifold from Multiple Stellar Libraries

• arxiv url: http://arxiv.org/abs/2603.23899v1
• Date: Wed, 25 Mar 2026 03:40:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.113975
• Title: SM-Net: Learning a Continuous Spectral Manifold from Multiple Stellar Libraries
• Title（参考訳）: SM-Net: 複数のステレオライブラリから連続スペクトル多様体を学習する
• Authors: Omar Anwar, Aaron S. G. Robotham, Luca Cortese, Kevin Vinsen,
• Abstract要約: SM-Netは、基本的な恒星有効温度(Teff)、表面重力(log g)、金属性(log Z)から直接恒星スペクトルを生成する。 ENIX-Husser、C3K-Conroy、OB-PoWR、TMAP-Wernerライブラリから派生したグリッドでトレーニングされている。 推論スループットは、1つのGPUで毎秒14,000のスペクトルを超える。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present SM-Net, a machine-learning model that learns a continuous spectral manifold from multiple high-resolution stellar libraries. SM-Net generates stellar spectra directly from the fundamental stellar parameters effective temperature (Teff), surface gravity (log g), and metallicity (log Z). It is trained on a combined grid derived from the PHOENIX-Husser, C3K-Conroy, OB-PoWR, and TMAP-Werner libraries. By combining their parameter spaces, we construct a composite dataset that spans a broader and more continuous region of stellar parameter space than any individual library. The unified grid covers Teff = 2,000-190,000 K, log g = -1 to 9, and log Z = -4 to 1, with spectra spanning 3,000-100,000 Angstrom. Within this domain, SM-Net provides smooth interpolation across heterogeneous library boundaries. Outside the sampled region, it can produce numerically smooth exploratory predictions, although these extrapolations are not directly validated against reference models. Zero or masked flux values are treated as unknowns rather than physical zeros, allowing the network to infer missing regions using correlations learned from neighbouring grid points. Across 3,538 training and 11,530 test spectra, SM-Net achieves mean squared errors of 1.47 x 10^-5 on the training set and 2.34 x 10^-5 on the test set in the transformed log1p-scaled flux representation. Inference throughput exceeds 14,000 spectra per second on a single GPU. We also release the model together with an interactive web dashboard for real-time spectral generation and visualisation. SM-Net provides a fast, robust, and flexible data-driven complement to traditional stellar population synthesis libraries.
• Abstract（参考訳）: 複数の高分解能星ライブラリから連続スペクトル多様体を学習する機械学習モデルSM-Netを提案する。 SM-Netは、基本的な恒星パラメータ有効温度(Teff)、表面重力(log g)、金属度(log Z)から直接恒星スペクトルを生成する。 PHOENIX-Husser、C3K-Conroy、OB-PoWR、TMAP-Wernerライブラリから派生したグリッドでトレーニングされている。 パラメータ空間を組み合わせることで、どのライブラリよりも広い、より連続的な恒星パラメータ空間の領域にまたがる合成データセットを構築する。 統一グリッドはTeff = 2,000-190,000 K、log g = -1 to 9、log Z = -4 to 1をカバーし、スペクトルは3000-100,000 Angstromである。 この領域内では、SM-Netは不均一なライブラリの境界を越えてスムーズな補間を提供する。 サンプル領域以外では、数値的に滑らかな探索的予測を生成することができるが、これらの外挿は参照モデルに対して直接検証されない。 ゼロまたはマスク付きフラックス値は物理零点ではなく未知のものとして扱われ、ネットワークは近隣の格子点から学習した相関を使って欠落した領域を推測することができる。 SM-Netは3,538個のトレーニングと11,530個のテストスペクトルに対して、トレーニングセットの1.47 x 10^-5の平均二乗誤差と、変換されたlog1pスケールのフラックス表現の試験セットの2.34 x 10^-5を達成する。 推論スループットは、1つのGPUで毎秒14,000のスペクトルを超える。 また、リアルタイムスペクトル生成と可視化のためのインタラクティブなWebダッシュボードとともに、モデルをリリースしています。 SM-Netは、従来の星群合成ライブラリの高速で堅牢で柔軟なデータ駆動型補完を提供する。

関連論文リスト

• Structure-Informed Estimation for Pilot-Limited MIMO Channels via Tensor Decomposition [51.56484100374058]
  本稿では、スパース観測から低ランクテンソル完備化としてパイロットリミテッドチャネル推定を定式化する。 合成チャネル実験による最小二乗平均二乗誤差(NMSE)の最小二乗平均誤差(LS)に対する改善 DeepMIMO線トレーシングチャネルの評価では、純粋なテンソル法よりも24-44%NMSEが減少している。
  論文  参考訳（メタデータ） (2026-02-03T23:38:05Z)
• Fourier Learning Machines: Nonharmonic Fourier-Based Neural Networks for Scientific Machine Learning [0.5097809301149341]
  本稿では,多次元非調和フーリエ系列を表現するために設計されたニューラルネットワーク(NN)アーキテクチャであるFourier Learning Machine(FLM)を紹介する。 FLMは、コサイン活性化機能を備えた単純なフィードフォワード構造を用いて、一連の周波数、振幅、位相シフトをトレーニング可能なパラメータとして学習する。 計算実験により、FLMの性能は、SIRENやバニラフィードフォワードNNのような既存のアーキテクチャと同等であり、しばしば優れていることが示された。
  論文  参考訳（メタデータ） (2025-09-10T16:49:20Z)
• HyperspectralMAE: The Hyperspectral Imagery Classification Model using Fourier-Encoded Dual-Branch Masked Autoencoder [0.04332259966721321]
  ハイパースペクトル画像は、豊富なスペクトルの詳細を提供するが、空間領域とスペクトル領域の両方において、その高次元性のためにユニークな課題を提起する。 テキストマスキング戦略を用いたハイパースペクトルデータのためのトランスフォーマーベースモデルであるtextitHyperspectralMAE を提案する。 ハイパースペクトルMAEは、二重次元事前学習が頑健なスペクトル空間表現をもたらすことを確認し、インドパインズの最先端の伝達学習精度を達成する。
  論文  参考訳（メタデータ） (2025-05-09T01:16:42Z)
• How Learnable Grids Recover Fine Detail in Low Dimensions: A Neural Tangent Kernel Analysis of Multigrid Parametric Encodings [106.3726679697804]
  フーリエ特徴符号化(FFE)とマルチグリッドパラメトリック符号化(MPE)の2つの手法を比較した。 MPEは低次元マッピングの標準と見なされるが、MPEはそれらを上回り、高解像度で詳細な表現を学習することが多い。 我々は,MPEが学習可能な埋め込みではなく,グリッド構造を通じてネットワークの性能を向上させることを証明した。
  論文  参考訳（メタデータ） (2025-04-18T02:18:08Z)
• Neural Gaussian Scale-Space Fields [60.668800252986976]
  任意の信号の連続的異方性ガウススケール空間を効率よく学習する手法を提案する。 我々の手法は自己指導的であり、訓練は手作業によるフィルタリングを必要としない。 我々のニューラルガウススケール空間場は、幅広いモダリティの多スケール表現を忠実に捉えている。
  論文  参考訳（メタデータ） (2024-05-31T16:26:08Z)
• 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)
• 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)
• A Probabilistic Autoencoder for Type Ia Supernovae Spectral Time Series [1.3316902142331577]
  我々は、スペクトル時系列のスパース集合からIa型超新星(SNe Ia)の固有多様性を学習するために確率論的自己エンコーダを構築する。 PAEは低次元の潜伏空間を学習し、人口内に存在する非線形な特徴を捉えていることを示す。 次に、SNe Ia上の多くの下流タスクにPAEを使用し、より正確に宇宙論的な分析を行う。
  論文  参考訳（メタデータ） (2022-07-15T17:58:27Z)
• Convolutional neural networks as an alternative to Bayesian retrievals [0.0]
  我々は、外惑星透過スペクトルの機械学習検索とネストサンプリングを比較した。 また、我々のモデルにおける誤った仮定に対して、機械学習とネストサンプリングがいかに堅牢かをテストする。
  論文  参考訳（メタデータ） (2022-03-02T16:58:37Z)
• GSTO: Gated Scale-Transfer Operation for Multi-Scale Feature Learning in Pixel Labeling [92.90448357454274]
  本稿では,空間教師付き機能を他のスケールに適切に移行するためのGated Scale-Transfer Operation (GSTO)を提案する。 GSTOをHRNetにプラグインすることで、ピクセルラベリングの強力なバックボーンが得られます。 実験の結果,GSTOはマルチスケール機能アグリゲーションモジュールの性能を大幅に向上させることができることがわかった。
  論文  参考訳（メタデータ） (2020-05-27T13:46:58Z)

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。