一种用于刻画主星系并合阶段的深度学习方法
星系天体物理
2021-02-11 v1 机器学习
摘要
从观测中细粒度估计星系并合阶段是一个关键问题，有助于验证我们当前对星系形成的理论理解。为此，我们展示了一种基于 CNN 的回归模型，该模型首次能够使用单幅图像预测相对于首次近心点通过的并合阶段，在 400 百万年（Myrs）周期内中位误差为 38.3 百万年。该模型不使用特定的动力学建模，仅从模拟并合事件中学习。我们表明，我们的模型在真实观测上提供了合理的估计，大致匹配先前由详细动力学建模给出的估计。我们提供了模型的初步可解释性分析，并展示了朝向校准不确定性估计的第一步。
引用
@article{arxiv.2102.05182,
title = {A Deep Learning Approach for Characterizing Major Galaxy Mergers},
author = {Skanda Koppula and Victor Bapst and Marc Huertas-Company and Sam Blackwell and Agnieszka Grabska-Barwinska and Sander Dieleman and Andrea Huber and Natasha Antropova and Mikolaj Binkowski and Hannah Openshaw and Adria Recasens and Fernando Caro and Avishai Deke and Yohan Dubois and Jesus Vega Ferrero and David C. Koo and Joel R. Primack and Trevor Back},
journal= {arXiv preprint arXiv:2102.05182},
year = {2021}
}
备注
Third Workshop on Machine Learning and the Physical Sciences (NeurIPS 2020), Vancouver, Canada