DeepDISC-Euclid：利用像素级深度学习方法对 Euclid 深场北进行源分类和测光红移

Euclid 第一快速数据发布（Q1）为多个深场中数亿个测光天体提供了广泛的成像和光谱数据。对这些天体进行准确的分类和测光红移（photo-z）估计对于最大化这些数据的价值至关重要。在本工作中，我们使用一种深度学习框架（DeepDISC），利用 9 波段图像同时学习和推断，对 Euclid 深场北（EDF-N）围绕北黄极区域的源进行分类和测光红移估计。我们训练了三个专用模型，分别用于（1）源探测与分类，（2）星系测光红移，以及（3）类星体测光红移。Euclid Q1 输入源表以及暗能量光谱仪器数据发布 1（DESI DR1）中的分类和光谱红移（spec-z）被用作我们的训练数据。DeepDISC 源探测在使用 Euclid 源表作为真值时达到约 93% 的完备率和约 80% 的纯度。使用 EDF-N 内的 JWST 源表作为参考，我们估计 DeepDISC 源的真纯度约为 90%。约 99.2%、99.0% 和 84.8% 的恒星、星系和类星体分别被正确恢复其光谱分类。DeepDISC 测光红移与光谱红移吻合良好，适用于星系和类星体。与其他 Euclid Q1 产品的比较表明，DeepDISC 在源探测/去混合、分类和测光红移方面具有可比或更优的性能，尤其对于类星体。这些结果证明了像素级深度学习方法在 Euclid 和 Roman 等大规模巡天中的潜力，随着更好的训练标签的出现，性能将持续提升。我们发布了 EDF-N 的完整 DeepDISC 源表（约 1300 万个天体），包含分类和测光红移（含测光红移概率分布）。