Convolutional neural network for Lyman break galaxies classification and redshift regression in DESI (Dark Energy Spectroscopic Instrument)

要約

DESI は、5 年間にわたって 4,000 万以上のクエーサーと銀河を観測し、空の 3D 地図を作成する画期的な国際プロジェクトです。
このマップにより、ダークエネルギーからニュートリノ質量に至るまで、宇宙論のさまざまな側面を調査できるようになります。
ここでは、DESI によって観測された天体の 1 つのタイプ、ライマン ブレイク銀河 (LBG) に焦点を当てています。
目的は、それらのスペクトルを使用してそれらが本当に LBG であるかどうかを判断し、そうであれば赤方偏移と呼ばれる現象を使用して地球からの距離を決定することです。
これにより、これらの銀河を DESI 3D マップ上に配置できるようになります。
したがって、目的は、QuasarNET (arXiv:1808.09955 を参照) に触発された畳み込みニューラル ネットワーク (CNN) を開発し、分類 (LBG タイプかどうか) と回帰タスク (LBG の赤方偏移を決定する) を同時に実行することです。
当初は、スペクトルの波長シフト、スペクトルへのノイズの追加、合成スペクトルの追加などのデータ拡張手法を使用して、モデル トレーニング データセットを 3,019 データから 66,000 以上に増加しました。
第 2 フェーズでは、特にベイジアン最適化による転移学習とハイパーパラメータ調整による QuasarNET アーキテクチャの変更により、モデルのパフォーマンスが向上しました。
純度/効率曲線では、特に興味深い赤方偏移のある領域で低赤方偏移 (約 2) と高赤方偏移 (約 4) でモデルのパフォーマンスを評価するために使用され、最大 26% の向上が達成されました。
最良のモデルは 94% の平均スコアを獲得しましたが、初期モデルでは 75% でした。

要約(オリジナル)

DESI is a groundbreaking international project to observe more than 40 million quasars and galaxies over a 5-year period to create a 3D map of the sky. This map will enable us to probe multiple aspects of cosmology, from dark energy to neutrino mass. We are focusing here on one type of object observed by DESI, the Lyman Break Galaxies (LBGs). The aim is to use their spectra to determine whether they are indeed LBGs, and if so, to determine their distance from the Earth using a phenomenon called redshift. This will enable us to place these galaxies on the DESI 3D map. The aim is therefore to develop a convolutional neural network (CNN) inspired by QuasarNET (See arXiv:1808.09955), performing simultaneously a classification (LBG type or not) and a regression task (determine the redshift of the LBGs). Initially, data augmentation techniques such as shifting the spectra in wavelengths, adding noise to the spectra, or adding synthetic spectra were used to increase the model training dataset from 3,019 data to over 66,000. In a second phase, modifications to the QuasarNET architecture, notably through transfer learning and hyperparameter tuning with Bayesian optimization, boosted model performance. Gains of up to 26% were achieved on the Purity/Efficiency curve, which is used to evaluate model performance, particularly in areas with interesting redshifts, at low (around 2) and high (around 4) redshifts. The best model obtained an average score of 94%, compared with 75% for the initial model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google