IrisML：用于光谱能量分布拟合的神经后验估计
天体物理仪器与方法
2025-11-03 v1
摘要
在过去的30年中，已经进行了许多大规模光度天文巡天，包括SDSS、Pan-STARRS、Gaia、2MASS、WISE等。这些巡天提供了广泛的光度测量数据，可用于推断天文物体的各种物理参数。传统上，贝叶斯方法，如马尔可夫链蒙特卡洛(MCMC)采样，已被用于此类推断任务。然而，这些方法往往计算密集，并且通常需要手动调整或专家监督。在这项工作中，我们提出了一种新颖的机器学习模型，旨在从光度数据中执行自动且鲁棒的推断，为传统技术提供了一种可扩展且高效的替代方案。
引用
@article{arxiv.2510.26964,
title = {IrisML: Neural Posterior Estimation for the Spectral Energy Distribution fitting},
author = {Mateusz Kapusta},
journal= {arXiv preprint arXiv:2510.26964},
year = {2025}
}
备注
Accepted at the 2025 ICML Workshop on Machine Learning for Astrophysics. Github code: https://github.com/Wesenheit/Iris-ML