MMNov, 2022

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

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 未来广域光学测量中的重力透镜类星体和超新星

    未来 10 年规律的光学成像调查应该能探测到大量的时间变化的星系级强引力透镜，检测到 8000 多个透镜成像类星体，其中 3000 个将具有良好测量的时间延迟，以及约 130 个透镜成像的超新星；此外，我们通过计算，预测了该领域的发展，包括 “时滞距离实验” 在精度上可达到的水平，同时也发现随着对透镜质量分布知识的降低，暗能量的优化因子将会降低。

    Jan, 2010

  • 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

  • 用卷积神经网络快速自动分析强引力透镜

    本文报道了使用深度卷积神经网络在非常快速且自动化的方式下准确估计透镜参数的方法，不需要使用最大似然方法，而且可以提供一种非专家获取大量数据的透镜参数估计的方法。

    Aug, 2017

  • 引力透镜类星体的数据挖掘

    本文介绍了一种基于机器学习技术的搜索重力透镜效应引起的类星体的方法，该方法结合了目录级别信息和像素级别模式识别算法，可使目标 / 候选对象的选择纯度提高到 70％，完整性为 60％

    Oct, 2014

  • 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

  • 深度学习驱动的改进宇宙学参数推断方案

    使用改进的 CNN 算法和基于峰值计数的易于理解方法，可以更好地估计弱引力透镜映射的余量参数和标准差，并提取更多的高阶统计信息，这在研究宇宙学和暗物质中非常有帮助。

    Jun, 2018

  • Gaia 中引力透镜类星体 II：发现 24 个透镜类星体

    使用 Gaia 观测发现、光谱确认和初步表征了 24 个引力透镜类星体，其中包括四重成像的系统和一个双重系统中的 Einstein 环，可以通过使用类似 WISE 颜色的类星体或 SDSS 光度量红移的方法在 Pan-STARRS 足迹中选择候选物体，要求在 Gaia 中有多重探测或在形态上靠近星系中有单个 Gaia 探测。

    Mar, 2018