利用星系图像的深度生成模型赋能暗能量科学
天体物理仪器与方法
2016-12-01 v2 宇宙学与河外天体物理
人工智能
机器学习
摘要
理解暗能量的本质——这种驱动宇宙加速膨胀的神秘力量——是现代宇宙学的一项重大挑战。专门为解决这一问题而设计的下一代宇宙学巡天依赖于对遥远星系视形状的精确测量。然而，形状测量方法受到各种不可避免的偏差的影响，因此将依赖于精确的校准以满足科学分析的准确性要求。这一校准过程仍然是一个开放性挑战，因为它需要大量高质量的星系图像。为此，我们研究了深度条件生成模型在生成逼真星系图像中的应用。特别地，我们考虑了条件变分自编码器的变体，并为条件生成网络的训练引入了一种新的对抗目标。我们的结果表明，这为获取下一代宇宙学巡天所需的校准数据提供了一种可靠的替代方案，而无需进行昂贵的高质量观测。
引用
@article{arxiv.1609.05796,
title = {Enabling Dark Energy Science with Deep Generative Models of Galaxy Images},
author = {Siamak Ravanbakhsh and Francois Lanusse and Rachel Mandelbaum and Jeff Schneider and Barnabas Poczos},
journal= {arXiv preprint arXiv:1609.05796},
year = {2016}
}