利用物理参数对周期性变星进行深度生成建模
天体物理仪器与方法
2020-05-19 v1
摘要
生成物理上合理的变源集合对于优化时域巡天节奏以及在极少或无标签的数据集上训练分类模型至关重要。传统的数据增强技术通过重构已观测样本来扩充训练集，力求在不同（外生）条件下模拟特定训练源的观测。与完全理论驱动的模型不同，这些方法通常不允许有原则的内插或外推。此外，理论驱动模型的主要缺点在于从第一性原理参数模拟源可观测量所需的计算成本过高。在这项工作中，我们提出了一种计算上易处理的机器学习方法，用于生成周期性变星的真实光变曲线，能够将物理参数和变异性类别作为 inputs 整合进来。我们的深度生成模型受透明潜空间生成对抗网络（TL-GANs）启发，采用带时间卷积网络（TCN）层的变分自编码器（VAE）架构，使用 OGLE-III 光学光变曲线和来自 Gaia DR2 的物理特征（例如有效温度和绝对星等）进行训练。利用 RR Lyrae 的温度-形状关系进行的测试证明了我们生成的“物理增强潜空间 VAE”（PELS-VAE）模型的有效性。此类深度生成模型作为非线性非参数模拟器，为天文学家提供了一种在任意节奏下创建合成时间序列的新工具。
引用
@article{arxiv.2005.07773,
title = {Deep Generative Modeling of Periodic Variable Stars Using Physical Parameters},
author = {Jorge Martínez-Palomera and Joshua S. Bloom and Ellianna S. Abrahams},
journal= {arXiv preprint arXiv:2005.07773},
year = {2020}
}
备注
19 pages, 9 figures, 4 tables