使用深度学习预测星系核球与总光度之比
天体物理仪器与方法
2021-07-21 v1 星系天体物理
摘要
我们提出了一种深度学习模型，仅利用多波段 JPEG 图像来预测邻近星系的 r 波段核球-总光比（B/T）。我们基于卷积神经网络（CNN）的回归模型在一个具有可靠核球与盘成分分解的大样本星系上训练。现有的 B/T 估计方法采用星系光度轮廓建模以寻找最佳拟合。该方法计算代价高昂，对大样本星系尤为 prohibitively 昂贵，且需要大量人工干预。机器学习模型有潜力克服这些缺陷。在我们的 CNN 模型中，对于包含 20000 个星系的测试集，85.7% 的预测 B/T 值的绝对误差（AE）小于 0.1。若仅在测试时考虑更亮（r 波段视星等 < 17）且无明亮邻近天体的星系，我们观察到进一步提升至 87.5%。我们的模型对 20000 个测试星系的 B/T 估计耗时不到一分钟。相比传统拟合流程每分钟约 2-3 次估计，推理时间显著改善。因此，所提出的机器学习方法在可靠预测 B/T 时可大幅节省时间、人力与计算资源，尤其在产生极大量星系样本的下一代巡天如时空遗产巡天（LSST）与 Euclid 巡天中。
引用
@article{arxiv.2106.16054,
title = {Predicting bulge to total luminosity ratio of galaxies using deep learning},
author = {Harsh Grover and Omkar Bait and Yogesh Wadadekar and Preetish K. Mishra},
journal= {arXiv preprint arXiv:2106.16054},
year = {2021}
}
备注
11 pages, 3 tables, 8 figures, accepted for publication in MNRAS