使用条件生成对抗网络（CGANs）确定星系光谱 红移-计算机科学-机器学习-混合密度网络-天文学.pdfVIP

1

广域测光巡天一直是观测宇宙学实验结果的主要来源。

本

译

中

3

v

2

3

5

6

0

.

1

0

5

2

:

v

i

x

r

a

使用条件生成对抗网络（CGANs）确定星系光谱

红移

M.Garcia-Fernandez

SchoolofArchitecture,EngineeringandDesign.UniversidadEuropeadeMadrid.

CalleTajos/n,VillaviciosadeOdon,28670,Madrid,Spain

manuel.garcia2@universidadeuropea.es

摘要准确可靠的星系红移测定是广域光度巡天的关键要求。传统上，星

系的光度红移估算使用在标定样本上训练的人工智能技术进行处理，在这

些样本中既有光度数据也有光谱数据。本文介绍了使用条件生成对抗网络

（CGANs）进行光度红移估计的第一个算法方法。所提出的实现能够产生

光度红移的点估计和概率密度函数。该方法在暗能量巡天（DES-Y1）的第

一年数据上进行了测试，并与当前最先进的混合密度网络（MDN）算法进

行了比较。CGAN方法达到了与MDN相当的质量指标，展示了其潜力并

开启了对抗网络在光度红移估算中的应用。

Keywords:条件生成对抗网络·光度红移·混合密度网络。

1介绍

在众多现有的和未来的测光巡天中，我们发现有：DES1，LSST2，PAU3，

45

J-PAS和欧几里得。宽视场测光巡天的关键方面之一是可靠地确定星系

红移。在测光巡天中，通过测量广波段滤镜中的星系亮度来推断星系光谱的

红移，而不是使用高分辨率光谱仪测定其光谱的多普勒位移。

将宽带滤光片测量的亮度转换为红移的常规方法是使用人工智能。这些

技术利用了一个校准样本，该样本包含已知光度和高分辨率光谱的星系。人

工智能算法使用这个校准样本识别并发现不同宽带滤光片中的亮度与光谱

红移之间的关联模式。

1

2

3

4

5

利用CGAN确定光度红移。3

先前能够确定光谱红移点估计的人工智能算法包括：神经网络[5,15,23]，

增强决策树[10]，卷积神经网络[9,32]，贝叶斯神经网络[20]，随机森林[21]，

递归神经网络[22]，以及最近邻[12]。其他能够提供红移概率密度估计的算

法包括：分类算法[29]，层级模型[18]，以及混合密度网络[1]。不同类型的

测光红移算法的全面系统综述可以在[25,31]中找到。

当前最先进的光度红移估计方法包括卷积神经网络（CNNs）——依赖于

估算的星系亮度和原始成像——[35]，贝叶斯神经网络（BNNs）——依赖于

后验分布的明确形状，通常是高斯分布——[16]，以及混合密度网络（MDNs）

——依赖于预定义的概率密度混合——[1]。

一个新的尚未用于光度红移估计的神经网络类别是生成对抗网络（GANs）

[11]。特别相关的一种可能用于光度红移确定的GAN变体是有条件的生成

对抗网络（CGANs），它们不建模基础数据的整体概率密度函数，而是根据某

些输入[24]建模条件下的概率密度函数。与BNNs和MDNs相比，CGANs

的一个主要优势是它们不需要对推断出的光度红移的概率密度函数的功能

形状做出任何假设。

在这篇论文中，我们提出了使用CGAN来估计通过宽波段滤光片测量

的星等得到的光电红移。该算法使用DarkEnergySurveyY1的数据进行了

测试，这些数据与SDSSStripe-82的光谱数据重叠。所提出的CGAN获得

的结果与当前最