基于深度神经网络和生成数据增强的 MWA 数据中射电晕体检测
星系天体物理
2025-06-04 v1
摘要
检测银河系团簇中如晕体等稀疏射电辐射对于理解宇宙中的大尺度结构形成至关重要。传统方法依赖 X 射线和 Sunyaev-Zeldovich (SZ) 团簇预选，引入偏差，限制了我们对稀疏射电源完整人口的理解。本文通过开发一种能够独立于预选方法进行无偏检测稀疏辐射的机器学习 (ML) 框架，解决了这一天体物理问题。我们首次使用 Wasserstein 生成对抗网络 (WGANs) 和去噪扩散概率模型 (DDPMs) 生成射电晕体图像，并将其用于训练不依赖预选的神经网络分类器。DDPMs 生成的晕体图像质量优于 WGANs。采用多头注意力块的扩散支持分类器，在 10 次运行中实现 95.93% 的最佳平均验证准确率，使用 36 个簇进行训练，10 个簇进行测试，且无需进一步调整超参数。使用我们的分类器，我们从 MeerKAT Galaxy Cluster Legacy Survey (MGCLS) 目录中重新发现了 9/12 个晕体 (检测率 75%)，并从 Planck Sunyaev-Zeldovich Catalogue 2 (PSZ2) 中在 GLEAM 调查中检测到 5/8 个晕体 (检测率 63%)。此外，我们在 COSMOS 场识别出 11 个潜在的新晕体、微型晕体或候选对象，这些候选对象基于 XMM-chandra 检测的簇在 GLEAM 数据中。该工作表明了 ML 在无偏检测稀疏辐射方面的潜力，并为进一步研究提供了标记数据集。
引用
@article{arxiv.2411.15559,
title = {Radio Halo Detection in MWA Data using Deep Neural Networks and Generative Data Augmentation},
author = {Ashutosh K. Mishra and Emma Tolley and Shreyam Parth Krishna and Jean-Paul Kneib},
journal= {arXiv preprint arXiv:2411.15559},
year = {2025}
}
备注
16 pages, Submitted to MNRAS