利用自编码器对星系光学光谱去噪
星系天体物理
2023-10-17 v1
摘要
光学光谱蕴含关于星系物理性质和形成历史的丰富信息。然而，光谱常常过于嘈杂，以至于无法准确提取这些信息。在本研究中，我们探索如何利用机器学习方法对光谱去噪，并在无需借助光谱堆叠等样本平均方法的情况下增加可获取的信息量。利用在加噪光谱（添加高斯噪声的 SDSS 光谱）上训练的机器学习方法，我们探究从这些光谱（特别是发射线）中最大化信息获取的方法，以便进行更细致的分析。我们构建了一个变分自编码器 (VAE) 模型，并将其应用于加噪光谱样本。与原始 SDSS 光谱中测量的流量相比，模型值精度在 0.3–0.5 dex 以内，具体取决于谱线和信噪比。总体而言，就重构损失和恢复谱线流量的精度而言，VAE 表现优于主成分分析 (PCA) 方法。为展示该方法在大型光学光谱巡天中的适用性与效用，我们模拟了一批噪声类似于暗能量光谱仪 (DESI) 观测到的 星系的光谱总体。我们表明，在此“类 DESI”样本中我们能够恢复 MZR 的形状与弥散，而若无 VAE 辅助去噪则无法实现。
引用
@article{arxiv.2309.02315,
title = {De-noising of galaxy optical spectra with autoencoders},
author = {M. Scourfield and A. Saintonge and D. de Mijolla and S. Viti},
journal= {arXiv preprint arXiv:2309.02315},
year = {2023}
}
备注
14 pages, 10 figures, 6 tables, accepted for publication in MNRAS