一种用于星系团 X 射线质量的深度学习方法
宇宙学与河外天体物理
2019-06-20 v2
摘要
我们提出一种从 Chandra 模拟图像估算星系团质量的机器学习方法。我们利用卷积神经网络(CNN)——一种常用于图像识别任务的深度机器学习工具。该 CNN 在我们的 7,896 张 Chandra X 射线模拟观测样本上训练与测试,这些观测基于 IllustrisTNG 模拟中的 329 个大质量星系团。我们的 CNN 从光子计数的低分辨率空间分布中学习,未使用能谱信息。尽管我们忽略了能谱信息这一简化假设, CNN 估算的质量值与模拟星系团真实质量相比偏差小(-0.02 dex),并以低内禀散射重现星系团质量,最佳折页为 8%,全部平均 12%。相比之下,更标准的核区剔除光度法达到 15-18% 的散射。我们用受 Google DeepDream 启发的方法解释结果,发现 CNN 忽略了星系团中心区域,而该区域已知与质量散射很高。
引用
@article{arxiv.1810.07703,
title = {A Deep Learning Approach to Galaxy Cluster X-ray Masses},
author = {M. Ntampaka and J. ZuHone and D. Eisenstein and D. Nagai and A. Vikhlinin and L. Hernquist and F. Marinacci and D. Nelson and R. Pakmor and A. Pillepich and P. Torrey and M. Vogelsberger},
journal= {arXiv preprint arXiv:1810.07703},
year = {2019}
}
备注
10 pages, 6 figures, accepted for publication in The Astrophysical Journal