XiaoMi-AI文件搜索系统
World File Search Systemgalaxy
Dawes评论10：深度学习对分析星系调查的影响
过去几年，现代银河调查提供的数据的数量和复杂性一直在稳步增加。新设施将很快提供成像和频谱数亿个星系。从这些大型和多模式数据集中提取一致的科学信息仍然是社区和数据驱动的方法（例如深度学习）的开放问题，它已迅速成为解决一些持久挑战的潜在强大解决方案。这种热情在使用神经网络的前所未有的出版物的指数增长中反映了这种热情，这些指数从2015年的少数作品变成了2021年在Galaxy Surveys领域的平均每周一篇论文。在提到深度学习的第一批发表的工作中，在新的大数据集（例如欧几里得和LSST）开始启动之后不久，我们相信，我们相信及时回顾这项新技术在轨道中的真正影响及其潜在的潜力，以解决新数据集群的规模和复杂性提出的关键挑战。 因此，这篇综述的目的是两个方面。 我们首先要在一个共同的文件中总结深度学习的主要应用程序，用于到目前为止出现的星系调查。 然后，我们提取了所学到的主要成就和经验教训，并突出了关键的开放问题和局限性，在我们看来，这将需要在未来几年中特别关注。 总体而言，天文学界迅速采用了最先进的深度学习方法，反映了这些方法的民主化。 分类，分割）。在新的大数据集（例如欧几里得和LSST）开始启动之后不久，我们相信，我们相信及时回顾这项新技术在轨道中的真正影响及其潜在的潜力，以解决新数据集群的规模和复杂性提出的关键挑战。因此，这篇综述的目的是两个方面。我们首先要在一个共同的文件中总结深度学习的主要应用程序，用于到目前为止出现的星系调查。然后，我们提取了所学到的主要成就和经验教训，并突出了关键的开放问题和局限性，在我们看来，这将需要在未来几年中特别关注。总体而言，天文学界迅速采用了最先进的深度学习方法，反映了这些方法的民主化。分类，分割）。本评论表明，使用深度学习的大多数作品都符合计算机视觉任务（例如这也是应用程序的领域，深度学习带来了迄今为止最重要的突破。但是，我们还报告说，应用程序变得越来越多样化，深度学习用于估计星系特性，识别异常值或限制宇宙学模型。这些作品中的大多数仍处于探索性水平，这可能部分解释了引用方面的有限影响。在进行未来调查的处理中，很可能需要解决一些共同的挑战。例如，不确定性量化，可解释性，数据标记和领域转移问题从模拟的训练中转移问题，这构成了天文学的共同实践。
星系团中的湍流压力支撑
背景。星系团中的湍流压力大小仍存在争议，特别是与动态状态和用于模拟的流体力学方法的影响有关。目的。我们研究大质量星系团内介质中的湍流压力分数。我们旨在了解流体动力学方案、分析方法和动态状态对宇宙学模拟中星系团最终特性的影响。方法。我们使用无网格有限质量 (MFM) 和光滑粒子流体动力学 (SPH) 对七个星系团的一组放大区域进行了非辐射模拟。我们使用了三种不同的分析方法，基于：(i) 偏离流体静力平衡，(ii) 通过亥姆霍兹-霍奇分解获得的螺线管速度分量，以及 (iii) 通过多尺度滤波方法获得的小尺度速度。我们将模拟星团样本分为活跃星团和松弛星团。结果。我们的模拟预测，与松弛星团相比，活跃星团的湍流压力分数会增加。这在基于速度的方法中尤其明显。对于这些方法，我们还发现 MFM 模拟的湍流比 SPH 模拟的湍流增加，这与更理想化的模拟的结果一致。预测的非热压力分数在星团中心内为几个百分点（松弛星团）和约 13%（活跃星团）之间变化，并向外围增加。没有看到明显的红移趋势。结论。我们的分析定量评估了流体动力学方案和分析方法在确定非热或湍流压力分数方面的重要性。虽然我们的设置相对简单（非辐射运行），但我们的模拟与之前更理想的模拟一致，并且代表着对湍流的理解更近了一步。
使用该段的任何模型
上下文。恒星磁盘截断（也称为星系边缘）是银河大小的关键指标，由气体密度阈值的恒星形成的径向位置确定。该阈值本质上标志着星系中发光物质的边界。准确测量数百万星系的星系大小对于理解在宇宙时间内推动星系演变的物理过程至关重要。目标。我们旨在探索段的任何模型（SAM）的潜力，即设计用于图像分割的基础模型，以自动识别星系图像中的磁盘截断。通过欧几里得广泛的调查，我们的目标是提供大量的数据集，我们的目标是评估SAM以完全自动化的方式测量星系大小的能力。方法。SAM被应用于1,047个磁盘样星系的标记数据集，其中M ∗> 10 10m⊙在红移至z〜1时，来自哈勃太空望远镜（HST）烛台。我们分别使用F160W（H -band），F125W（J -band）和F814W + F606W（I -Band + v -band）HST HST HST滤镜来创建复合RGB图像“欧盟化” HST Galaxy图像。使用这些处理的图像作为SAM的输入，我们在输入数据的不同配置下检索了每个星系图像的各种截断掩码。结果。我们发现了由SAM确定的星系大小与手动测量的星系大小之间的一致性（即，通过在星系光谱中使用恒星磁盘边缘的径向位置），平均偏差约为3％。当排除问题案例时，此错误将减少到约1％。结论。我们的结果突出了SAM以自动化方式在大型数据集上检测磁盘截断和测量星系尺寸的强大潜力。SAM表现良好，而无需大量图像预处理，标记为截断的训练数据集（仅用于验证），微调或其他特定于域特异性适应（例如传输学习）。
一个有效的无监督分类模型，用于银河形态：基于Convnext大型模型的编码的投票聚类
通过将无监督和监督的机器学习方法结合起来，我们提出了一个称为Usmorph的框架，以进行星系形态的自动分类。在这项工作中，我们通过提出基于Convnext大型模型编码的算法来更新无监督的机器学习（UML）步骤，以提高未标记的星系形态分类的效率。该方法可以概括为三个关键方面，如下所示：（1）卷积自动编码器用于图像降级和重新冲突，并且模型的旋转不变性通过极性坐标扩展提高； （2）利用名为Convnext的预训练的卷积神经网络（CNN）来编码图像数据。通过主体组合分析（PCA）维度降低进一步压缩了这些特征； （3）采用基于装袋的多模型投票分类算法来增强鲁棒性。，我们将此模型应用于宇宙场中的i -band样品的i -band图像。与原始的无监督方法相比，新方法所需的聚类组的数量从100减少到20。最后，我们设法对大约53％的星系进行了分类，从而显着提高了分类效率。为了验证形态层化的有效性，我们选择了M ∗> 10 10m⊙的大型星系进行形态学参数测试。分类结果与星系在多个参数表面上的物理特性之间的相应规则与现有演化模型一致。增强的UML方法将来将支持中国空间站望远镜。我们的方法证明了使用大型模型编码对星系形态进行分类的可行性，这不仅提高了星系形态分类的效率，而且还节省了时间和人力。此外，与原始UML模型相比，增强的分类性能在定性分析中更为明显，并且成功超过了更多的参数测试。
通过具有概率输出的多任务神经网推断红移和星系性能 - 模拟月亮光谱的应用
1 Department of Physics and Astronomy, University of Florence, Via G. Sansone 1, I-50019 Sesto F.no (Florence), Italy 2 Inf-Astro fi sic observatory of Arcetri, Largo E. Fermi 5, I-50125 Florence, Italy 3 School of Physics and Astronomy, University of St Andrews, North Haugh, ST Andrews, St Andrews. Ky16 9SS, UK 4 Inf-Observatory of Astro Phone and Spazio of the Space of Bologna, Via Piero Gobetti 93 /3, 40129 Bologna, Italy 5 GEPI, Observiire de Paris, PSL University, CNRS, Meudon, France 6 Cavendish Laboratory, University of Cambridge, 19 J. Thomson Ave., Cambridge CB3 0he, UK 7, UK 7卡夫利宇宙学研究所，剑桥大学，马德利路，剑桥CB3 0HA，英国8物理与天文学系，伦敦大学学院，伦敦高尔街，伦敦WC1E 6BT，英国9欧洲南部天obervoration，Karl-Schwarzsschild-Strassse 2， D-85748 Garching Bei Muenchen，德国1 Department of Physics and Astronomy, University of Florence, Via G. Sansone 1, I-50019 Sesto F.no (Florence), Italy 2 Inf-Astro fi sic observatory of Arcetri, Largo E. Fermi 5, I-50125 Florence, Italy 3 School of Physics and Astronomy, University of St Andrews, North Haugh, ST Andrews, St Andrews. Ky16 9SS, UK 4 Inf-Observatory of Astro Phone and Spazio of the Space of Bologna, Via Piero Gobetti 93 /3, 40129 Bologna, Italy 5 GEPI, Observiire de Paris, PSL University, CNRS, Meudon, France 6 Cavendish Laboratory, University of Cambridge, 19 J. Thomson Ave., Cambridge CB3 0he, UK 7, UK 7卡夫利宇宙学研究所，剑桥大学，马德利路，剑桥CB3 0HA，英国8物理与天文学系，伦敦大学学院，伦敦高尔街，伦敦WC1E 6BT，英国9欧洲南部天obervoration，Karl-Schwarzsschild-Strassse 2， D-85748 Garching Bei Muenchen，德国
pinetree：宽场星系调查的生成，快速和可区分的光晕模型
上下文。准确的模拟晕圈目录是用于开发和验证宇宙学推断管道的必不可少的数据产品。生成模拟目录的一个主要挑战是对光环或星系偏置进行建模，这是从物质密度到暗物质光环或可观察的星系的映射。为此，n个体代码生成了最先进的目录。然而，为大容量的大量N体模拟产生了大量的N体模拟，尤其是在包括磁水动力学的情况下，需要大量的计算时间。目标。我们介绍和基准测试了一个可区分和物理信息的神经网络，该网络可以生成与从完整的N体代码获得的模拟光环目录相当的质量。模型设计在训练程序和大型模拟目录套房的生产上具有计算有效的效率。方法。我们提出了一个神经网络，仅依靠18至34个可训练的参数，该参数可从暗物质过度密度场中产生光环目录。通过将首先原理动机的对称性纳入我们的模型体系结构来实现网络权重的减少。我们使用不同分辨率，红移和大型垃圾箱的仅黑色n体模拟训练了我们的模型。我们使用不同的n点相关函数将最终模拟目录与N体晕目录进行了比较，从而验证了最终模拟目录。结果。此外，我们发现该网络可以在近似密度字段上进行培训，以进一步降低计算成本。我们的模型生成了与参考模拟一致的模拟光环目录，这表明该新型网络是生成模拟数据的一种有希望的方法，该数据由于其计算效率而即将进行的宽场调查。我们还介绍了如何解释训练有素的网络参数，以洞悉结构形成的物理。最后，我们讨论了我们的模型的当前局限性，以及从这项研究中可以明显看出的近似Halo模拟产生的一般要求和陷阱。
星系簇的心脏
我们用TNG-Cluster（一种新的宇宙磁性水力动力学仿真）分析了气态内培养基（ICM）的物理特性。我们的样本包含352个模拟簇，跨越晕质量范围为10 14我们专注于将簇分类为冷核（CC）和非冷核（NCC）种群的分类，z = 0群集中央ICM属性的分布以及CC群集群体的红移演化。我们分析了熵，温度，电子数密度和压力的分析结构和径向纤维。为了区分CC和NCC簇，我们考虑了几个标准：中央冷却时间，中央熵，中央密度，X射线浓度参数和密度较高的斜率。根据TNG群集，没有先验群集的选择，这些属性的分布是单峰的，因此CCS和NCCS代表了两个极端。在z = 0的整个TNG群集样品中，基于中央冷却时间，强的CC分数为F SCC = 24％，而F wcc = 60％，弱和NCCS分别为16％。然而，尽管趋势的幅度级甚至方向随定义而变化，但CC的比例在很大程度上取决于光环质量和红移。TNG群集中模拟的高质量簇的丰富统计数据使我们能够匹配观测样本并与数据进行比较。tng群集可以用作实验室，以研究因合并，AGN反馈和其他物理过程而引起的群集核心的演变和转换。Z = 0到Z = 2的CC分数与观测值以及热力学量的径向纤维夹在全球范围内以及分配为CC与NCC Halos时。
PBJ：为星系团数据分析做准备……
里程碑 6 目标：重新分析 BOSS 数据以了解超 LCDM（γ + 大质量中微子）以及第四阶段调查的预测 KPI：提交论文（arxiv：2306.09275）
AutoSourceId分类器 - 使用带有空间信息的卷积神经网络的星形 - 加拉克斯分类
1 Department of Astrophysics/IMAPP, Radboud University, PO Box 9010, 6500 GL Nijmegen, The Netherlands e-mail: f.stoppa@astro.ru.nl 2 Center for Astrophysics and Cosmology, University of Nova Gorica, Vipavska 13, 5000 Nova Gorica, Slovenia 3 High Energy Physics/IMAPP, Radboud University, PO Box 9010，6500 Gl Nijmegen，荷兰4 Nikhef，科学园，105，1098 XG阿姆斯特丹，荷兰5.荷兰太空研究所，索邦纳兰2，3584 Ca Utrecht，荷兰8荷兰8天文学研究所，库伊文氏库文氏库素，Celestijnenlaan 200d，3001比利时卢芬，比利时9号卢文9 Astronomy, University of Cape Town, Private Bag X3, Rondebosch 7701, South Africa 11 South African Astronomical Observatory, PO Box 9, Observatory, Cape Town 7935, South Africa 12 Dipartimento di Fisica, Universitá di Trieste, 34127 Trieste, Italy 13 Istituto Nazionale di Fisica Nucleare, Sezione di Trieste，34127意大利Trieste，14 Erlangen Astroparpicle Physics中心，Nikolaus-Fiebiger-STR。2，Erlangen 91058，德国
