IRIS：通过模拟上的机器学习解读银河系中心的谱线成像
星系天体物理
2026-07-01 v1
摘要
在理解银河系中央分子带（CMZ）的三维结构时，我们受到侧视视角的限制。为了解决这个问题，我们引入了“模拟信息图像反转”（IRIS）。IRIS 是一个新颖的机器学习代码库，具有深度卷积神经网络（CNN），我们设计它通过使用 AREPO 星系模拟和这些模拟的合成观测生成的数据进行训练，将我们银河系的侧视观测转换为俯视图。我们开发了一个大型定制数据集，在其上训练我们的定制模型，然后在合成数据上测试训练好的模型，以探索这种我们称之为监督反转的机器学习方法的潜力。然后，我们将训练好的模型应用于 SEDIGISM 13CO(2-1) 巡天的真实观测，生成了我们 CMZ 的新俯视图。尽管我们的 SEDIGISM 反转在模型训练运行之间并不完全一致，但我们认为这种缺乏收敛性可以通过扩大训练数据集来缓解。我们认为这些结果强有力地证明了使用监督反转来解读我们 CMZ 三维结构的概念。在生成我们训练数据集的 10 万条合成观测中，关键的是我们引入了 IRIS 合成观测（IRIS-SO），这是一个在 PyTorch 中实现的新的 GPU 加速且完全可微的代码，用于谱线和尘埃的非局部热动平衡（non-LTE）合成观测。我们发现，与合成观测代码 RADMC-3D 相比，IRIS-SO 提供了高达 10,000 倍的加速。我们在 https://github.com/bldubois/IRIS 开源发布了所有 IRIS 代码。
引用
@article{arxiv.2607.01338,
title = {IRIS: Deciphering Spectral-Line Imagery of the Galactic Center by Machine-Learning on Simulations},
author = {B. L. DuBois and Cara Battersby and Jonah C. Baade and Dani R. Lipman and H Perry Hatchfield and Jack Sullivan and Russell Bentley and Stefan Reissl and Ralf S. Klessen and Victor F. Ksoll and Mattia C. Sormani and Zi-Xuan Feng and Adam Ginsburg and Robin Tress},
journal= {arXiv preprint arXiv:2607.01338},
year = {2026}
}