Galaxy Spectra Networks (GaSNet)。III. 基于生成预训练网络的光谱重建、红移估计与异常检测
星系天体物理
2025-09-24 v1
摘要
现代全景光谱调查中，光谱分类(1)和异常检测(2)是保证红移测量最高精度(3)的基本步骤。我们引入新的星系光谱神经网络（GaSNet-III），利用生成神经网络一次性高效完成这三项任务。我们使用两种不同的生成网络：一种类似自编码器的网络和U-Net，用于在红移后重建 rest-frame 光谱。类似经典主成分分析（PCA）的自编码器网络类似地操作，学习训练集中的模板（特征光谱），并返回建模参数。相比之下，U-Net作为端到端模型，噪声消除方面具有优势。通过重建光谱，我们可以在同一框架内实现分类、红移估计和异常检测。每个 restframe 重建光谱被扩展到紫外线和红外的一小部分（覆盖恒星红移）。凭借深度学习的高计算效率，我们扫描整个类型和红移空间的卡方值，找到最佳匹配点。我们的结果表明，生成网络在光谱建模中可以实现与经典PCA方法相当的精度，尤其是在分类效率方面，在所有类别中实现 >98% 的分类准确率（恒星 >99.9%），在天文学研究要求下实现 >99%（恒星）、>98%（星系）和 >93%（类星体）的红移精度。通过比较卡方曲线的不同峰值，我们定义“鲁棒性”于扫描空间中，提供识别潜在“异常”光谱的方法。我们的ethods 提供了一个用于处理未来光谱天文学调查中巨大数据 volumes 的准确且高效的光谱建模工具。
引用
@article{arxiv.2412.21130,
title = {Galaxy Spectra Networks (GaSNet). III. Generative pre-trained network for spectrum reconstruction, redshift estimate and anomaly detection},
author = {Fucheng Zhong and Nicola R. Napolitano and Caroline Heneka and Jens-Kristian Krogager and Ricardo Demarco and Nicolas F. Bouché and Jonathan Loveday and Alexander Fritz and Aurélien Verdier and Boudewijn F. Roukema and Cristóbal Sifón and Letizia P. Cassará and Roberto J. Assef and Steve Ardern},
journal= {arXiv preprint arXiv:2412.21130},
year = {2025}
}
备注
17 pages and 16 figures. Submitted to MNRAS