通过输出概率的多任务神经网络推断红移与星系性质：在模拟 MOONS 光谱上的应用
天体物理仪器与方法
2025-01-08 v2 星系天体物理
摘要
大规模天文巡天时代要求采用创新方法对海量光谱数据进行快速、准确的分析，而机器学习为解决这一挑战提供了一个有前景的方向。本文介绍了一种新的流程 M-TOPnet（输出概率的多任务网络），它采用带有残差学习的卷积神经网络，从星系光谱中同时推导红移及其他关键物理性质。我们的工具将光谱信息高效编码到隐空间中，并为每个物理量使用不同的下游分支，从而受益于多任务学习。值得注意的是，我们的方法将红移输出处理为概率分布，从而能够对该关键参数进行更精细、更稳健的估计。我们展示了使用即将在 ESO/VLT 上运行的 MOONS 仪器的模拟数据所获得的初步结果。我们强调了该工具在准确预测 z>~1-3 处星系的红移、恒星质量和恒星形成率方面的有效性，即使对于传统方法通常难以处理的暗弱源（m_H ~ 24）也是如此。通过对输出概率分布的分析，我们证明该管线能够对结果进行稳健的质量筛选，在使用 8 小时曝光光谱时，红移测定（定义为预测值与真实红移的相对偏差 |Delta_z| < 0.01）的准确率高达 99%，同时能自动识别潜在的问题案例。因此，我们的管线成为应对观测天文学未来挑战的强大解决方案，它结合了精度、可解释性和效率，这些方面对于分析下一代仪器预期产生的海量数据集都至关重要。
引用
@article{arxiv.2410.22420,
title = {Inferring redshift and galaxy properties via a multi-task neural net with probabilistic outputs: An application to simulated MOONS spectra},
author = {Michele Ginolfi and Filippo Mannucci and Francesco Belfiore and Alessandro Marconi and Nicholas Boardman and Lucia Pozzetti and Micol Bolzonella and Enrico Di Teodoro and Giovanni Cresci and Vivienne Wild and Myriam Rodrigues and Roberto Maiolino and Michele Cirasuolo and Ernesto Oliva},
journal= {arXiv preprint arXiv:2410.22420},
year = {2025}
}
备注
accepted by A&A