基于卷积神经网络的 Lyman 破裂星系分类与红移回归——应用于 DESI
宇宙学与河外天体物理
2024-06-25 v1 人工智能
摘要
DESI 是一个重大的国际项目，计划在5年内观测超过4000万颗类星体和星系，以创建天空的3D图。该图将使我们能够探索多个宇宙学方面，从暗能量到中微子质量。我们此处关注的是DESI所观测的一种类型对象，即Lyman 破裂星系（LBGs）。目标是利用其光谱确定其是否为LBGs，如果是，则确定其距离地球的距离（redshift），以便将这些星系置于DESI的3D图中。因此，目标是开发一种受QuasarNET（见arXiv:1808.09955）启发的卷积神经网络（CNN），同时执行分类任务（LBG类型或非LBG类型）和回归任务（确定LBGs的红移）。最初，使用数据增强技术（如在波长上平移光谱、添加噪声或添加合成光谱）将模型训练数据集从3019个数据增至超过66000个。在第二个阶段，通过迁移学习和贝叶斯优化进行的超参数调优，显著提升了模型性能。在Purity/Efficiency曲线（用于评估模型性能，特别是在有趣的红移区域，低红移（约2）和高红移（约4）处）上，实现了最高26%的提升。最佳模型在平均得分上达到94%，而初始模型为75%。
引用
@article{arxiv.2406.16730,
title = {Convolutional neural network for Lyman break galaxies classification and redshift regression in DESI (Dark Energy Spectroscopic Instrument)},
author = {Julien Taran},
journal= {arXiv preprint arXiv:2406.16730},
year = {2024}
}