利用 DESI 模拟光谱的深度学习寻找阻尼莱曼 α 系统
星系天体物理
2022-01-05 v1 宇宙学与河外天体物理
摘要
我们更新并应用卷积神经网络（CNN）机器学习模型，基于暗能量光谱仪（DESI）模拟光谱发现并刻画阻尼 Ly 系统（DLA）。我们优化了训练过程并构建了 CNN 模型，对每像素信噪比（S/N）高于 5 的光谱给出高于 99% 的 DLA 分类精度。分类精度为正确分类的比率。对于较低信噪比（S/N） 的光谱，该精度仍高于 97%。此 CNN 模型对红移与 HI 柱密度的估计标准偏差分别为 0.002 与 0.17 dex（针对每像素 S/N 高于 3 的光谱）。此外，该 DLA 寻找器能识别重叠 DLA 与亚 DLA。进一步，研究了不同 DLA 星表对重子声学振荡（BAO）测量的影响。BAO 宇宙学拟合参数结果与具备 DLA 完美知识的模拟分析相比差异小于 。该差异低于由模拟光谱估计的首年统计误差：高于 。我们还比较了 CNN 与高斯过程（GP）模型的性能。对于 S/N 3，我们改进的 CNN 模型比旧版 GP 代码纯度适度高 14%、完备性高 7%。两种代码均提供良好的 DLA 红移估计，但 GP 产生的柱密度估计标准偏差小 24%，更为优良。结合这两种算法可为 DESI 主巡天提供可靠的 DLA 星表。
引用
@article{arxiv.2201.00827,
title = {Deep Learning of DESI Mock Spectra to Find Damped Ly{\alpha} Systems},
author = {Ben Wang and Jiaqi Zou and Zheng Cai and J. Xavier Prochaska and Zechang Sun and Jiani Ding and Andreu Font-Ribera and Alma Gonzalez and Hiram K. Herrera-Alcantar and Vid Irsic and Xiaojing Lin and David Brooks and Solène Chabanier and Roger de Belsunce and Nathalie Palanque-Delabrouille and Gregory Tarle and Zhimin Zhou},
journal= {arXiv preprint arXiv:2201.00827},
year = {2022}
}
备注
Accepted for publication in Astrophysical Journal Supplement 23 pages, 21 figures, 8 tables