将流形学习与降维引入SED拟合工具
星系天体物理
2019-08-14 v1
摘要
我们展示了无监督机器学习技术可作为从测光数据可视化并加速估计星系物理性质的有价值工具。作为概念验证，我们使用自组织映射(SOMs)在观测测光空间中可视化光谱能量分布(SED)模型库。所得可视化图谱有助于更好地理解观测数据如何映射到物理属性，并为给定观测数据集优化模型库。接着，利用SOMs估计COSMOS场中14,000个红移z~1星系的物理参数，发现其与SED拟合结果一致。然而，SOM方法估计每个星系的完整概率分布函数的速度比直接模型拟合快约一百万倍。最后我们讨论，这种加速以及学习星系数据流形如何映射到物理参数空间并在低维中可视化该映射，如何帮助克服星系形成与演化中的其他挑战。
引用
@article{arxiv.1905.10379,
title = {Bringing manifold learning and dimensionality reduction to SED fitters},
author = {Shoubaneh Hemmati and Peter Capak and Milad Pourrahmani and Hooshang Nayyeri and Daniel Stern and Bahram Mobasher and Behnam Darvish and Iary Davidzon and Olivier Ilbert and Daniel Masters and Abtin Shahidi},
journal= {arXiv preprint arXiv:1905.10379},
year = {2019}
}
备注
6 pages, 5 figures, submitted to ApJL