Apr, 2024

基于混合密度网络的星系三维形状恢复

PDF
TL;DR利用混合密度网络 (MDN) 的监督式机器学习方法，使用投影星体运动学和通量分布，恢复了个体星系的三维形状，并展示了 MDN 模型在获取三维星系形状及其不确定性方面相比以往方法的潜在改进，尤其是对纵椭圆和三轴系统。针对现有和未来的积分场光谱星系调查，给出了获取星系内在形状的具体建议。
发现论文，激发创造
  • 基于旋转不变卷积神经网络的星系形态预测

    本篇研究利用一种基于深度神经网络的方法，通过对称性原理对 SDSS 和 Galaxy Zoo 的星系图像进行分类，能够在大规模的图像数据集上高效准确地进行星系形态分类，这一方法在提高工作效率的同时也能保持非常高的分类精度。

    Mar, 2015

  • 通过机器学习复现星系形态：星系动物园

    此论文提出了一种使用机器学习进行形态分类的方法，并在 SDSS DR6 目录中测试了该方法的效果，并发现利用自适应形状参数、浓度和纹理等参数可以改善算法分类效果，并证明使用 Galaxy Zoo 目录可以为下一代广域成像调查提供宝贵的训练集。

    Aug, 2009

  • 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

  • 从单张图像中恢复 2D Landmarks 的 3D 形状的深度 - MDS 框架

    提出一种利用非度量多维缩放（NMDS）方法的低参数深度学习框架，能够在单个输入图像中恢复人脸 2D 标志物的 3D 形状；在综合比较合成和真实世界的不同人脸数据集时，该框架显示出类似于相关文献中强大的 3D 重建方法的可比性能，同时具有更高的效率且具有更少的训练参数。

    Oct, 2022

  • ExoMDN: 使用混合密度网络快速表征外行星内部结构

    利用混合密度网络（MDN）和机器学习建立了 ExoMDN 模型，可以在 1 秒内处理获得行星每个层次的质量分数和厚度的完整后验分布，对小于 25 个地球质量的合成行星进行训练，并用于表征 22 个已确认的系外行星，包括 GJ 1214 b，GJ 486 b 和 TRAPPIST-1 行星等。模型可以方便地处理观察误差，并展示如何将流体 Love 数 k2 作为额外的（潜在的）观察量来减少内部结构的退化。利用 ExoMDN 的快速预测，测量约 10% 的 k2 精度可以约束地球类似体的核和地幔的厚度约为真实值的 13％。

    Jun, 2023

  • 学习预测宇宙结构形成

    该研究使用深度学习模型解决宇宙结构形成的问题，并证明了这是一种实用和准确的替代方法。

    Nov, 2018

  • 应用机器学习技术对受污染的星系团进行动力学质量测量

    研究了受干扰物影响的星系团动力质量测量，并表明现代机器学习算法可以比标准缩放关系方法更好地预测质量，从而提高预测质量。

    Sep, 2015

  • 从暗物质分布估算宇宙学参数

    利用深度三维卷积神经网络和分布回归框架，研究了通过宇宙物质分布直接估算宇宙学参数的方法，并表明机器学习技术在某些情况下可以胜过基于宇宙学模型的极大似然点估计，这为更高精度的估算宇宙学参数开辟了道路。

    Nov, 2017

  • 自然图像中的无监督生成式三维形状学习

    本文介绍了一种从自然图像中学习生成 3D 形状的生成模型的全面无监督方法，其中利用 GAN 等深度学习技术实现，从而生成出真实的三维图像，实现了从二维图像向三维图像的转换。

    Oct, 2019

  • 基于降维和监督机器学习的宇宙密度场快速仿真

    本文采用简单的机器学习方法，基于降维和监督学习方法建立基于暗物质密度参数的快速暗物质密度场仿真方法，并通过预测和反投影系数来预测不同宇宙学参数的密度立方体。该方法在保证相应精度下，相比于完整的 N 体模拟大幅缩短计算时间，可以显著加速宇宙模型参数和模型推断等工作，为 ESA/NASA Euclid 任务等开放了更广泛的应用空间。

    Apr, 2023