利用去噪扩散概率模型预测分子云密度
星系天体物理
2023-06-28 v1 天体物理仪器与方法
机器学习
摘要
我们引入最先进的深度学习去噪扩散概率模型（DDPM）作为一种方法，从投影质量面密度图推断巨分子云（GMCs）的体积密度或数密度。我们采用具有不同全局磁场强度和大规模动力学（即非碰撞与碰撞GMCs）的磁流体动力学模拟。我们在所有模拟的不同视角下的质量面密度图及其对应的质量加权数密度图上训练扩散模型。我们将扩散模型的性能与更传统的经验双组分和三组分幂律拟合方法以及更传统的神经网络机器学习方法（CASI-2D）进行比较。我们得出结论：与其他方法相比，扩散模型在预测数密度上的精度提升了一个数量级。我们将扩散方法应用于金牛座以及一些天文柱密度图的示例——红外暗云（IRDCs）G28.37+0.07和G35.39-0.33，以生成其平均体积密度图。
引用
@article{arxiv.2304.01670,
title = {Denoising Diffusion Probabilistic Models to Predict the Density of Molecular Clouds},
author = {Duo Xu and Jonathan C. Tan and Chia-Jung Hsu and Ye Zhu},
journal= {arXiv preprint arXiv:2304.01670},
year = {2023}
}
备注
ApJ accepted