本文探讨如何利用链式生成对抗网络产生逼真的星系图片，并表明这一现代技术在天文学中是有价值的。

Nov, 2018

利用去噪扩散概率模型（DDPM）生成逼真的模拟星系图像，并借鉴深度生成学习文献中的Frechet Inception距离和新引入的合成星系距离指标进行相似度比较和Emergent物理特性比较，其效果比其他生成方法（如对手网络）更为真实，可用于量身定制特定成像调查的大量合成观测数据，证实其精确插值和域转换方法的潜在用途，并在星际物理学领域推动了该主题的进一步研究。

Nov, 2021

我们介绍了一种基于扩散的生成模型，直接描述我们宇宙中的星系分布作为三维空间中的点的集合（坐标），可选地带有关联属性（例如速度和质量），而无需使用分箱或像素化。这种定制的扩散模型既可以用于仿真，重现星系分布的关键统计特征，也可以用于推断，通过计算星系场的条件似然性。我们首次应用于Quijote模拟套件中的大质量暗物质晕的案例。这种方法可以扩展以实现对宇宙学数据的全面分析，规避了摘要统计特征以及基于神经模拟的推断方法所固有的局限性。

Nov, 2023

以宇宙学为背景，利用扩散生成模型进行冷暗物质密度场的模拟，研究宇宙学参数和功率谱之间的关系以及参数推断的准确性。

Dec, 2023

我们开发了基于分数的生成模型（SGMs）和去噪扩散概率模型（DDPMs）的扩展，用于三维旋转的李群SO（3），并应用于合成密度和姿态估计任务，在天体物理学/宇宙学中预测相关星系方向。

Dec, 2023

我们首次系统研究了在星系图像上监督扩展定律的问题。使用了840k个星系图像和超过1亿个由Galaxy Zoo志愿者注释的图像，与Imagenet-1K的规模相当。我们发现添加注释的星系图像可以在所有架构和所有任务上提高性能，而添加可训练参数仅对某些任务有效。我们比较了仅在ImageNet-12k上进行预训练和在我们的星系图像上额外进行预训练的模型的下游性能。在5个科学相关的下游任务上，我们实现了平均相对误差率降低31％的结果。我们的模型对标签的利用效率更高，而且通常实现了端到端微调的线性转移性能，与仅在ImageNet-12k上预训练的模型不同。我们发现仅通过扩展模型尺寸获得的额外下游效益相对较小，这意味着单纯的扩展不足以解决我们的领域差距问题，并建议具有定性不同的图像的从业者在领域内适应之后进行有针对性的下游分类。

Apr, 2024

使用单一的扩散生成模型作为宇宙学参数推断模型和冷暗物质密度场的代码模拟器，旨在通过近似似然推断给出对宇宙学参数的严格约束，并展示这种参数推断方法较基准参数推断网络更具鲁棒性。

May, 2024

开发了一种能够从光度宽频带图像中预测光学星系光谱的生成式人工智能方法，并通过与观测光谱的对比显示了良好的一致性，该方法还能推断光度图像中的速度色散和活跃星系核的存在，并可以在大规模光度调查中获得科学上有趣的星系属性。

Jun, 2024

通过流基生成方法来模拟恒星演化模型，使用条件归一化流来学习和预测输入参数和输出属性之间的复杂关系，并且应用于红巨星的星震学数据，有效估计恒星参数并指出之前红巨星的质量估计存在一定偏差。

Jul, 2024

本研究解决了机器学习应用中星系数据集匮乏的问题，提出了一个统一且一致的星系图像和光度数据集。该数据集包含286,401幅图像，并展示了利用图像估算红移的优越性，结果表明图像数据在红移估算中的精度明显高于单独使用光度数据。这项工作将促进未来星系调查数据的机器学习方法开发。

Sep, 2024