一种用于解缠星系光度参数的生成模型-计算机科学-机器学习-天文学测光.pdfVIP

一种用于解缠星系光度参数的生成模型

1,2,3

KeenLeung,ColenYan,JunYin

1KristinSchool,Albany,Auckland,NewZealand

2PinehurstSchool,Albany,Auckland,NewZealand

3AltasScience,Princeton,NewJersey,USA

*Theseauthorscontributedequallytothiswork.

摘要

正在进行和未来的测光调查将产生前所未有的大量星系图像，需要稳健、高效的方

本法来大规模推导星系形态参数。传统的做法，如参数化光照轮廓拟合，提供了宝贵的见

译解，但在应用于数十亿个源时变得计算上不可行。在这项工作中，我们提出了一种条

中件自编码器（CAE）框架来同时建模和描述星系形态。我们的CAE在通过GalSim生

1成的一系列现实模拟星系图像上进行了训练，涵盖了广泛的星系类型、测光参数（例

v

8如，通量、半光强半径、Sérsic指数、椭率）和观测条件。通过将每个星系图像编码为

9

8一个低维潜在表示，并以关键参数作为条件，我们的模型有效地以解缠的方式恢复这

5些形态特征，同时重建原始图像。结果表明，CAE方法可以准确且高效地推断复杂的

1

7.结构属性，提供了一种强大的现有方法的替代方案。

0

5

2

:1介绍

v

i

x

r在过去二十年中，天文学测光调查扩大了我们对宇宙的认识，收集了大量的数据集，

a

其中包含数十亿个星系。项目如斯隆数字天空调查（SDSS）、暗能量调查（DES）以及即

将到来的维拉·C·鲁宾天文台的空间和时间遗产调查（LSST），以前所未有的规模提供了

优质的测光观测[1–3]。这些大型目录使全面研究星系形成与演化成为可能，包括分析星系

形态和结构。特别是星系形态为了解一个星系的形成历史及其演化路径提供了宝贵见解[4,

5]。然而，从数十亿个来源中稳健地推导出亮度、大小和形状等形态参数是一个巨大的挑

战，这既涉及计算资源，也涉及方法复杂性。

传统的参数化建模技术（例如拟合Sérsic轮廓）仍然广泛用于从星系图像中提取结构

属性[6]，但它们计算量大，且通常依赖于对星系光谱的严格假设。随着调查规模不断扩大，

显然需要更多可扩展的方法来在现实观测条件下准确建模星系形态。近年来，机器学习已

经成为处理高维、噪声天体物理数据的强大工具箱[7–10]。特别是生成模型因其能够在无

监督或半监督的方式下学习复杂的数据分布而引起了广泛关注。

1

在生成方法中，自动编码器作为能够学习捕捉星系图像基本特征的低维潜在表示的灵

活框架而脱颖而出[11–14]。当以条件设置实现时，即纳入已知标签或物理参数，这些模型

可以帮助从原则上分解星系结构的不同方面（如通量、形状、方向）。通过将高维输入映射

到压缩的潜在空间并返回，有条件自动编码器可以同时执行数据压缩和重建，同时保留物

理上有意义的属性。因此，这种方法为解决现代光度调查中星系形态分析的计算挑战提供

了一条有希望的途径。

在这项工作中，我们研究了使用条件自编码器进行星系光度参数估计的应用。尽管机

器学习之前已在各种背景下应用于星系形态学[9,11,12,14]，我们的方法在几个重要方面

有所不同。首先，我们采用了一种显著更为简单的神经网络架构，这增强了所学特征的可

解释性和分离性。其次，我们进行了与传统统计方法的系统比较，以量化任务的复杂性