面向宇宙学的测光红移：利用贝叶斯神经网络提升精度与不确定性估计
宇宙学与河外天体物理
2022-02-16 v1 星系天体物理
摘要
我们展示了探索概率深度学习模型在大型天文巡天中通过从测光估计星系距离（红移）所能发挥作用的结果。由于这些新建及即将开展的巡天带来海量数据，使用星系测光的机器学习技术正日益被用于预测星系红移，而红移对推断诸如暗能量本质等宇宙学参数十分重要。相关不确定性估计也是关键测量，然而常见机器学习方法通常仅提供点估计且缺乏作为输出的不确定性信息。我们转向贝叶斯神经网络（BNN）作为提供红移值准确预测的有前景途径。我们从超主相机巡天（Hyper Suprime-Cam Survey）编集了新的星系训练数据集，旨在模拟大型巡天但覆盖较小天区。我们使用机器学习、天文学与概率度量评估基于测光的测光红移（photo-z）预测的性能与精度。我们发现，若仅以点估计红移值评价，贝叶斯神经网络表现不如非贝叶斯神经网络，但 BNN 可提供宇宙学所需的不确定性估计。
引用
@article{arxiv.2202.07121,
title = {Photometric Redshifts for Cosmology: Improving Accuracy and Uncertainty Estimates Using Bayesian Neural Networks},
author = {Evan Jones and Tuan Do and Bernie Boscoe and Yujie Wan and Zooey Nguyen and Jack Singal},
journal= {arXiv preprint arXiv:2202.07121},
year = {2022}
}
备注
5 pages, 3 figures. Machine Learning and the Physical Sciences, NeurIPS 2021