DeepGalaxy：利用深度神经网络从图像推断星系并合的性质
天体物理仪器与方法
2021-02-04 v1 星系天体物理
图像与视频处理
摘要
星系并合，即两个星系碰撞过程中的动力学过程，是宇宙中最壮观的现象之一。在此过程中，两个碰撞星系受潮汐破坏，产生随时间演化的显著视觉特征。这些视觉特征包含用于推断星系并合物理解释性质的宝贵线索。在本工作中，我们提出 DeepGalaxy，一个经训练用于基于形态学预测星系并合物理解释性质的视觉分析框架。基于编码器-解码器架构，DeepGalaxy 将输入图像编码到压缩潜空间 ，并根据潜空间距离判定图像相似性。DeepGalaxy 由一个在全卷积自编码器（FCAE）于其 3D 潜空间生成激活图、一个将激活图压缩为 1D 向量的变分自编码器（VAE），以及一个从激活图生成标签的分类器组成。FCAE 的主干可依据图像复杂度完全定制。DeepGalaxy 在并行机器上展现出优异的扩展性能。在 Endeavour 超级计算机上，当使用 128 个 worker 训练时扩展效率超过 0.93，在使用 512 个 worker 训练时仍保持在 0.73 以上。无需进行昂贵的数值模拟，DeepGalaxy 直接从图像推断星系并合的物理性质，从而实现了约 的加速因子。
引用
@article{arxiv.2010.11630,
title = {DeepGalaxy: Deducing the Properties of Galaxy Mergers from Images Using Deep Neural Networks},
author = {Maxwell X. Cai and Jeroen Bédorf and Vikram A. Saletore and Valeriu Codreanu and Damian Podareanu and Adel Chaibi and Penny X. Qian},
journal= {arXiv preprint arXiv:2010.11630},
year = {2021}
}
备注
7 pages, 7 figures. Accepted for publication at the 2020 IEEE/ACM Fifth Workshop on Deep Learning on Supercomputers (DLS)