MMSep, 2017

深度学习赛弧谱线以探索和描述阻尼莱曼 α 系统

PDF
TL;DR本篇论文使用多目标学习的卷积神经网络来搜寻和表征夸克星光谱中的强氢 Lyman-Alpha 吸收，并完成分类和定量测量。该算法能够准确地预测 HI 吸收的存在性，并估计相应的 redshift zabs 和 HI 柱密度 NHI，并使用自定义的训练集进行模型训练，最后在 SDSS-DR7 和 BOSS 数据集中应用，证明了深度学习在天文光谱测量方面应用的有效性。
convolutional neural networkmulti-task learninghi lya absorptiondlasquantitative measurements
发现论文，激发创造
  • 利用高斯过程检测阻尼 Lyman-$α$ 吸收体

    研究针对类星体光谱线探测阻尼 Lyman-alpha 吸收体的自动化技术，提供基于贝叶斯模型选择的新型高斯过程模型识别技术并在大规模数据集中验证，以揭示高红移率下星系形成的特点。

    May, 2016

  • 当谱建模遇上卷积网络：一种在多波段成像数据中发现复合再电离时代透镜类星体的方法

    本研究通过引入新的空间几何排除标准和扩大允许的光谱参数空间，并利用基于图像的深度学习方法进行实现，对重新电离时期的透镜星系进行了系统搜索，利用光谱能量分布的预选和卷积神经网络相对概率的计算方法，相结合，发现了 36 个新的透镜候选者。

    Nov, 2022

  • 用于分类、检测和预测斯隆数字天区 Stripe 82 类星体光度红移的深度学习方法

    本研究使用卷积神经网络（CNN）对斯隆数字天空调查中的类星体进行分类和检测，以及预测类星体的光度红移，并结合随机森林分类器提高准确性，相较于其他分类器表现显著提高，在未来的大数据库例如大型巡天望远镜中具有很好的应用前景。

    Dec, 2017

  • 深度神经网络实现人类水平的光谱分类和红移测量

    QuasarNET 是一款深度卷积神经网络，可分类和估算星系物理光谱的红移。该网络解决了光谱学的两个问题：存在或不存在波长决定样本，其频移程度则决定其红移，从而极大地减少了线的混淆和红移失败。

    Aug, 2018

  • 基于卷积神经网络的 Lyman 断层星系分类与 DESI 中红移回归

    利用基于卷积神经网络 (CNN) 的 QuasarNET 模型和数据增强技术，本研究通过确定 Laman Break Galaxies (LBGs) 是否是 LBGs 以及通过红移确定它们与地球的距离，进而将这些星系放置在 DESI 的 3D 地图上，提高模型性能并实现了高达 94% 的平均得分。

    Jun, 2024

  • 通过组合神经网络简化多波段映射中的透镜状类星体鉴定

    本研究使用卷积神经网络和深度学习管道自动检测强透镜效应，并在多波段图像中检测到了可以用于光谱学确认的 161 个候选源。

    Jul, 2023

  • 利用卷积神经网络在暗能量调查中搜索强透镜系统

    使用卷积神经网络从第一批 Dark Energy Survey（DES）数据中筛选出强引力透镜系统的候选物，包括 405 个透镜候选物和 539 个可用于训练 CNNs 的环状星系候选物，并构建自动化建模管道来对 52 个有单个偏转器的系统进行建模。

    Aug, 2021

  • 采用 SoFiA、MTObjects 和监督式深度学习技术进行氢发射线谱立方体数据源提取技术比较研究

    本研究旨在寻找最佳管道，用于在 3D 中性氢 21 厘米谱线数据立方体中找到和屏蔽最多的源，磨砂质量最好且假源最少。通过测试 SoFiA 和 MTObjects 这两种传统的源查找方法以及新的监督深度学习方法，发现 SoFiA 与随机森林结合提供了最佳结果，而 V-Net - 随机森林组合紧随其后。

    Nov, 2022

  • 宇宙黎明和再电离的 21 厘米断层摄影深度学习

    本文介绍了一种基于卷积神经网络深度学习的 21 厘米图像技术，以回复描述第一代星系 (Tvir、zeta、LX/SFR 和 E0) 的星系天文物理参数，其精确度达到 Monte Carlo Markov Chain 采样及 21CMMC 对两个模拟观测的精度。

    May, 2018

  • 深度学习增强自旋量子比特环境的噪声谱学

    本论文实验结果表明，使用神经网络重建近邻 NV 中心中的碳杂质集合的功率谱密度，可以提高噪声光谱学的准确性，同时需要比标准动力解耦技术更少的动力解耦序列。

    Jan, 2023