利用 HST/CANDELS 优化罗马太空望远镜的深度学习光度红移
天体物理仪器与方法
2026-05-14 v2 星系天体物理
摘要
光度红移（photo-）对于利用 Nancy Grace Roman Space Telescope 研究星系演化、大尺度结构及突变现象至关重要。深度学习方法利用地面图像的像素级信息可为低红移星系实现最佳 photo-，但其在深度、空间基准图像下对高红移星系的效果尚未大规模测试。我们利用胶星太空站 CANDELS 的光学和近红外成像，对全监督、自监督和半监督深度学习 photo- 算法在 处进行评估。与模板基准和传统机器学习光度方法相比，全监督和半监督模型实现了更好的性能。我们新的半监督模型 PITA（Photo- Inference with a Triple-task Algorithm）通过融合图像和颜色用于所有天体，以及在可用的情况下用于红移的三部分损失函数，从 labeled 和 unlabeled 数据中学习，超过了所有其他模型。PITA 产生的潜在空间在亮度、颜色和红移上平滑变化，实现了即使在红移训练集显著减少的情况下仍能获得最佳 photo- 性能。相比之下，自监督方法产生的潜在空间存在显著的颜色和红移波动，阻碍了 photo- 推断。针对罗马望远镜，我们建议使用半监督深度学习充分利用数亿高分辨率图像和颜色测量，以及有限的红移测量，从而为两者（faint 和 bright sources）实现最准确的 photo- 估计。
引用
@article{arxiv.2602.10207,
title = {Optimizing Deep Learning Photometric Redshifts for the Roman Space Telescope with HST/CANDELS},
author = {Ashod Khederlarian and Brett H. Andrews and Jeffrey A. Newman and Tianqing Zhang and Biprateep Dey},
journal= {arXiv preprint arXiv:2602.10207},
year = {2026}
}
备注
30 pages, 13 figures, 2 tables. Accepted in AJ