用于建模星系发射线运动学的自监督、物理感知贝叶斯神经网络架构
星系天体物理
2021-02-24 v1
摘要
在未来数十年,大型设施如SKA将提供数百万星系运动学的分辨观测。为助力及时利用这些海量数据集,我们探索了一种能够进行星系贝叶斯运动学建模的自监督、物理感知神经网络的使用。我们展示了该网络建模星系冷气体运动学的能力,重点在于恢复物理参数及相应的建模误差。该模型能够恢复CO与HI数据的旋转曲线、倾角和盘尺度长度,且与文献中的结果吻合良好。得益于准贝叶斯蒙特卡洛丢弃(quasi-Bayesian Monte-Carlo dropout)的应用,该模型还能给出所学参数的建模误差。本工作展示了机器学习,尤其是自监督神经网络,在星系运动学建模语境下的前景。本工作代表了将此类模型用于运动学拟合的初步尝试,我们提议我们模型的变体似乎特别适合从诸如SKA的即将开展巡天中实现发射线科学,从而实现对大型数据集的快速利用。
引用
@article{arxiv.2102.05520,
title = {A self-supervised, physics-aware, Bayesian neural network architecture for modelling galaxy emission-line kinematics},
author = {James M. Dawson and Timothy A. Davis and Edward L. Gomez and Justus Schock},
journal= {arXiv preprint arXiv:2102.05520},
year = {2021}
}