Jun, 2017

用数据驱动的星星模型提高 extsl {Gaia} 视差精度

PDF
TL;DR利用 2MASS 数据构建一个基于颜色和星等的模型作为先验知识，通过 Extreme Deconvolution 算法从 TGAS 数据计算出 TGAS 星系中每颗恒星更为精确的视差估计和后验概率分布。
parallaxphotometrypriorstellar distanceextreme deconvolution
发现论文，激发创造
  • 使用贝叶斯神经流建模 Gaia 色 - 星等图以约束距离估计

    使用规范流算法，从有噪音的视差和光度学测量中学习灵活的色 - 星等图，该算法是一种能够学习任意多维概率分布的深度神经网络。应用该算法，我们得到了 6.4 亿个近邻恒星的光度距离后验分布的目录，可应用于改善银河系盘层分离和亚结构检测。

    Aug, 2019

  • Gaia 数据第 2 次发布：色 - 绝对星等图中的变星

    通过 ESA Gaia 任务获取到的超过 16 亿颗 G~21 mag 恒星的时间序列数据，揭示出恒星的多种变异类型及其对星等等的影响，为此提出了变异星类、变异星密度及变异幅度等指标，并提供最全面的 CaMD 变异诱导运动特征描述，为了更好地理解天体物理学提供了前所未有数量级的恒星变异信息。

    Apr, 2018

  • 用 Gaia EDR3 视差和哈勃空间望远镜的 75 个银河系 Cepheid 恒星的光度测量校准宇宙距离精度达到 1％，并确认与 LambdaCDM 模型的矛盾

    通过 Hubble 望远镜拍摄的银河系内 75 颗 Cepheids 的观测数据，结合 Gaia EDR3 呈现的视差测量信息，重新校准了外星系距离标尺，对哈勃常数的确定进行了修正，获得的地理校准结果在精度上达到了 1.0％，从而得出 Hubble 常数值约为 73.0 +/- 1.4 km/sec/Mpc。

    Dec, 2020

  • 噪声中的回声：基于分数的似然和先验的柔和星系表面亮度剖面的后验样本

    通过对银河系人口的详细结构进行研究，可以提供有价值的关于其形成和演化机制的深入洞察。本文介绍了一种方法，结合了基于得分的似然特征和扩散模型先验的最新进展，用于进行图像去卷积的贝叶斯分析。该方法在经过最简处理的哈勃太空望远镜（Hubble Space Telescope, HST）数据上应用时，恢复了只能在下一代詹姆斯・韦伯太空望远镜（James Webb Space Telescope, JWST）成像中才能看到的结构。

    Nov, 2023

  • 基于星系的鲁棒场级别无似然推断

    使用图神经网络，在包含三维位置和速度的星系目录中对宇宙学参数进行可靠推断，并在各种宇宙和天体物理参数的变化范围内进行测试和验证。

    Feb, 2023

  • 神经得分估计的概率质量映射

    利用贝叶斯统计学、分析理论和基于神经得分匹配的深度生成模型的方法，构建一个高效的方法来进行弱引力透镜质量绘制，从而精确重建 HST/ACS COSMOS 领域的收敛地图。

    Jan, 2022

  • 天文数据线性回归中测量误差的一些方面

    描述了一种贝叶斯方法来考虑天文数据中的测量误差，并将其应用于研究放射性星系的 X 射线谱斜率与 Eddington 比之间的关系，该方法基于导出测量数据的似然函数，并以高斯混合模型为基础进行泛化。

    May, 2007

  • 暗物质晕的稳健场级推断

    使用图神经网络在 Halo 目录上进行训练，实现宇宙学参数无似然场水平的推断。该文章表明，其模型在使用多个不同的 N-body 模拟和代码运作的 Halo 目录进行测试时非常健壮，同时探讨了使用多种参数会受到精度和健壮性的权衡问题。

    Sep, 2022

  • 基于天体目录的场级别模拟推断：系统效应的影响

    使用图神经网络对包含多种观测效应的星系目录进行训练和测试，发现尽管这些效应降低了模型的精度和准确性，增加了模型失效的星系目录比例，但模型表现良好的星系目录比例超过 90％，从而展示了这些模型在应用于真实数据时约束宇宙学参数的潜力。

    Oct, 2023

  • 径向加速度关系的固有离散度

    采用蒙特卡罗模型对星系比例关系的观测误差进行详细建模，以恢复由星系形成和演化过程驱动的内在（宇宙的）离散度， 特别地，通过我们的方法应用于恒星径向加速度关系（RAR），发现其内禀离散度为 0.11±0.02 dex，与现代 LCDM 模拟的预测结果相符合。

    Aug, 2019