基于暗能量探测器光度数据的机器学习分析
宇宙学与河外天体物理
2025-11-13 v2 星系天体物理
摘要
为了从光度测量套件中检索宇宙学参数，需要以卓越的准确性估计天空中光度红移分布。我们使用和应用了三种不同的机器学习方法处理暗能量探测器数据释放版2 (DR2)中公开的数据：a) 用于光度红移的人工神经网络 (ANNz2)；b) 用于光度红移的高斯过程 (GPz)；c) Python中一种深度学习应用编程接口Keras。我们将这些不同技术应用于来自VIPERS调查的训练数据进行比较。为处理VIPERS目录的不完整性，我们使用空间划分数据结构 (K-d树) 来估计所获得光度红移的可靠性。我们构建了一个对颜色空间中某些区域缺乏训练数据的目录具有鲁棒性的目录。我们利用光度数据为超过5亿颗星系创建红移分布函数的过密度图。这些图将天空划分为几个类似洋葱的红移切片，可直接用于宇宙学参数估计。在每个角度切片上，我们创建并呈现了该切片中星系角度分布的图以及与该切片星系分布相关的红移分布估计 ，该分布是从红移估计方法中恢复的。我们实现了一个DES星系的亚样本，这些星系与VIPERS样本匹配良好，光度红hift的准确率为 ，灾难性离群值率约为3%。
引用
@article{arxiv.2508.10191,
title = {Machine learning analysis of Photometric data from the Dark Energy Survey},
author = {Elcio Abdalla and Filipe B. Abdalla and Alessandro Marins and Amilcar Queiroz and Rafael M. Ribeiro and Alex S. C. Souza},
journal= {arXiv preprint arXiv:2508.10191},
year = {2025}
}