用于 Ia 型超新星光谱时间序列的概率自编码器
宇宙学与河外天体物理
2022-08-17 v1 机器学习
摘要
我们构建了一个物理参数化的概率自编码器（PAE），以从稀疏的光谱时间序列集合中学习 Ia 型超新星（SNe Ia）的内在多样性。PAE 是一个两阶段生成模型，由自编码器（AE）组成，该自编码器在训练后使用归一化流（NF）进行概率解释。我们证明 PAE 学习了一个低维潜空间，捕获了群体中存在特征的非线性范围，并且可以直接从数据准确建模 SNe Ia 在全部波长和观测时间范围内的光谱演化。通过引入相关惩罚项和多阶段训练设置以及我们的物理参数化网络，我们展示了内在和外在变异性模式可在训练期间分离，消除了执行亮度标准化所需额外模型的需要。然后我们在 SNe Ia 的若干下游任务中使用我们的 PAE 进行日益精确的宇宙学分析，包括自动检测超新星异常值、生成与数据分布一致的样本，以及在存在噪声和不完整数据情况下求解逆问题以约束宇宙学距离测量。我们发现内在模型参数的最优数量似乎为三个，与先前研究一致，并展示我们可以用 mag 的 RMS 标准化我们的 SNe Ia 测试样本，如果去除本动速度贡献则对应于 mag。训练好的模型和代码发布于 \href{https://github.com/georgestein/suPAErnova}{github.com/georgestein/suPAErnova}。
引用
@article{arxiv.2207.07645,
title = {A Probabilistic Autoencoder for Type Ia Supernovae Spectral Time Series},
author = {George Stein and Uros Seljak and Vanessa Bohm and G. Aldering and P. Antilogus and C. Aragon and S. Bailey and C. Baltay and S. Bongard and K. Boone and C. Buton and Y. Copin and S. Dixon and D. Fouchez and E. Gangler and R. Gupta and B. Hayden and W. Hillebrandt and M. Karmen and A. G. Kim and M. Kowalski and D. Kusters and P. F. Leget and F. Mondon and J. Nordin and R. Pain and E. Pecontal and R. Pereira and S. Perlmutter and K. A. Ponder and D. Rabinowitz and M. Rigault and D. Rubin and K. Runge and C. Saunders and G. Smadja and N. Suzuki and C. Tao and R. C. Thomas and M. Vincenzi},
journal= {arXiv preprint arXiv:2207.07645},
year = {2022}
}
备注
23 pages, 8 Figures, 1 Table. Accepted to ApJ