GaMPEN：一种估计星系形态学参数贝叶斯后验的机器学习框架
星系天体物理
2022-09-01 v1 天体物理仪器与方法
摘要
我们引入了一种新颖的机器学习框架，用于估计任意大量星系形态学参数的贝叶斯后验。星系形态学后验估计网络（GaMPEN）估计星系的核球-总光度比（L_B/L_T）、有效半径（R_e）和流量（F）的值与不确定性。为估计后验，GaMPEN 使用蒙特卡洛丢弃技术，并在其损失函数中纳入输出参数间的完整协方差矩阵。GaMPEN 还使用空间变换网络（STN）在确定星系形态前自动将输入星系帧裁剪至最优尺寸。这将使其无需星系大小的先验知识即可应用于新数据。在模拟以匹配 Hyper Suprime-Cam 广角 g 波段图像中 z < 0.25 星系的星系上训练和测试 GaMPEN，我们证明 GaMPEN 在 L_B/L_T 上达到 0.1 的典型误差，在 R_e 上达到 0.17 角秒（∼7%），在 F 上达到 6.3×10^4 nJy（∼1%）。GaMPEN 预测的不确定性校准良好且准确（偏差 <5%）——对于高残差参数空间区域，GaMPEN 正确预测出相应较大的不确定性。我们还证明，可对高残差区域的预测施加分类标签（即如“高度核球主导”等分类），并验证这些标签的准确度 ≳97%。据我们所知，GaMPEN 是首个确定多个形态学参数联合后验分布的机器学习框架，也是 STN 在天文学光学成像中的首次应用。
引用
@article{arxiv.2207.05107,
title = {GaMPEN: A Machine Learning Framework for Estimating Bayesian Posteriors of Galaxy Morphological Parameters},
author = {Aritra Ghosh and C. Megan Urry and Amrit Rau and Laurence Perreault-Levasseur and Miles Cranmer and Kevin Schawinski and Dominic Stark and Chuan Tian and Ryan Ofman and Tonima Tasnim Ananna and Connor Auge and Nico Cappelluti and David B. Sanders and Ezequiel Treister},
journal= {arXiv preprint arXiv:2207.05107},
year = {2022}
}
备注
Accepted for publication in The Astrophysical Journal. We welcome comments and constructive criticism. Digital assets will be available at http://gampen.ghosharitra.com