无光谱的星系光谱学：利用条件扩散模型从测光图像获取星系性质

现代光谱巡天只能瞄准广域巡天中大量测光编目源的一小部分。在此，我们报告了一种生成式人工智能方法的发展，该方法能够仅从测光宽带图像预测光学星系光谱。该方法借鉴了扩散模型与对比网络结合的最新进展。我们将多波段星系图像输入架构以获得光学光谱。从这些光谱中，可以使用光谱工具箱中的任何方法（例如标准星族合成技术和Lick指数）推导出稳健的星系性质值。当在斯隆数字巡天的64x64像素图像上进行训练和测试时，测光空间中恒星形成星系和静止星系的全局双峰性以及恒星形成星系的质量-金属丰度关系都得到了恢复。观测光谱与人工生成光谱的比较显示，在整体金属丰度、年龄、Dn4000、恒星速度色散和E(B-V)值上具有良好的一致性。我们生成算法的测光红移估计可以与其他当前专门的深度学习技术相竞争。此外，这项工作是文献中首次尝试从测光图像推断速度色散。此外，我们可以预测活动星系核的存在，准确率高达82%。使用我们的方法，通常需要光谱输入的科学上有趣的星系性质，可以在未来的数据集中仅通过大规模测光巡天获得。通过AI进行的光谱预测还可以进一步帮助创建真实的模拟星表。