面向嵌入稠密气体中的星际质量的自监督合成预训练

Stellar mass 是决定恒星属性和演化的基本量。然而, 在星形成区域估计星际质量具有挑战, 因为年轻恒星被稠密气体遮蔽, 且区域高度非均匀, 使 spherical dynamical estimates 变得不可靠。监督式机器学习 could link such complex structures to stellar mass, 但需要来自高分辨率磁流体力学 (MHD) 模拟的大量高质量标记数据集, 这些模拟计算成本高昂。我们通过在一百万个合成分形图像上使用自监督框架 DINOv2 对视觉变换器进行预训练, 然后将冻结模型应用于有限的高分辨率 MHD 模拟。我们的结果表明, 合成预训练改善了冻结特征回归星际质量预测, 预训练模型的性能略优于在相同有限模拟数据集上训练的监督模型。来自提取特征的主成分分析进一步揭示了语义上有意义的结构, 表明该模型在无需标记数据或微调的情况下 enables unsupervised segmentation of star-forming regions。