利用卷积神经网络理解超大质量黑洞反馈
天体物理仪器与方法
2017-12-05 v1 计算机视觉与模式识别
摘要
星系团中心的超大质量黑洞通过AGN反馈与其宿主环境强烈相互作用。此类活动的关键示踪者是X射线空腔——团内X射线亮度较低的区域。我们提出一种在含噪、低分辨率X射线图像中检测与表征X射线空腔的自动方法。我们模拟星系团，向其注入空腔，并生成与高红移观测相当的现实低质量图像。随后我们训练一个定制构建的卷积神经网络，以生成团中空腔存在的像素级分析。然后使用ResNet架构从像素级预测中解码空腔半径。我们在模拟数据上的精度、稳定性与速度均超越了当前基于视觉检测的方法。
引用
@article{arxiv.1712.00523,
title = {Towards understanding feedback from supermassive black holes using convolutional neural networks},
author = {Stanislav Fort},
journal= {arXiv preprint arXiv:1712.00523},
year = {2017}
}
备注
5 pages, 5 figures, accepted at Workshop on Deep Learning for Physical Sciences (DLPS 2017), NIPS 2017, Long Beach, CA, USA