Super-resolution emulator of cosmological simulations using deep physical models
我们提出了一个扩展我们最近开发的Wasserstein优化模型,以模拟准确的高分辨率的功能,从计算上更便宜的低分辨率宇宙学模拟。我们的深层物理建模技术依赖于受限神经网络来执行低分辨率宇宙密度场到高分辨率小尺度结构空间的分布映射。我们约束我们的网络使用一个单一的高分辨率的初始条件和相应的低分辨率和高分辨率的演变暗物质模拟的Quijote套件。我们利用高分辨率的初始条件的信息内容作为一个良好的构造先验分布的网络模拟的小规模的结构。一旦拟合,我们的物理模型以低计算成本产生模拟的高分辨率模拟,同时还提供了一些关于大尺度模式如何影响真实空间中小尺度结构的见解。
2020-05-20 astro-ph.CO
The Billion Galaxy Cosmological HI Large Deep Survey
我们概述的情况下,一个全面的广泛和深入的调查,最终目标是获得21厘米HI线发射光谱观测超过10亿星系红移z=1.5和更大的一半的天空。这项调查提供了一个星系红移,HI气体质量和星系旋转曲线的数据库,这将使广泛的科学,包括基础宇宙学和暗能量的研究。这项科学需要下一代无线电阵列,这是在平方公里阵列(SKA)项目的保护伞下设计的。我们提出了一个科学路线图,延伸到2020年及以后,这将使这项雄心勃勃的调查。我们也把这个调查的背景下,其他多波长的调查。
2009-03-03 astro-ph.CO
Identifying Luminous AGN in Deep Surveys: Revised IRAC Selection Criteria
斯皮策IRAC选择是识别发光活动星系核的有力工具。然而,对于深层IRAC数据,目前使用的活动星系核选择楔被恒星形成星系严重污染,特别是在高红移。利用大样本的发光活动星系核和高红移恒星形成星系在宇宙,我们重新定义的活动星系核的选择标准,用于深IRAC调查。新的IRAC标准被设计成高度完整和可靠的,并结合了当前AGN选择楔和红外幂律选择的最佳方面,同时排除了通过BzK,DRG,LBG和SMG标准选择的高红移恒星形成星系。在类星体的光度log L(2-10 keV)(ergs/s)> 44时,新的IRAC标准恢复了75%的硬X射线和IRAC探测到的XMM-COSMOS样本,但只有38%的IRAC活动星系核候选者有X射线对应物,在Chandra曝光量为50-160 ks的区域,这一比例上升到52%。X射线叠加单个X射线未探测到的活动星系核候选物,得到硬X射线信号,表明存在严重遮蔽到轻度康普顿厚度的遮蔽(log N_H(cm^-2)= 23.5 +/- 0.4)。虽然IRAC选择恢复了相当大一部分明亮的未遮蔽和遮蔽的活动星系核,但它对低光度和主体主导的活动星系核是不完整的。
2012-01-18 astro-ph.CO
Cosmological constraints with deep learning from KiDS-450 weak lensing maps
卷积神经网络(CNN)最近已被证明对合成数据,以提高宇宙学推理的精度。特别是,它们有可能产生更精确的宇宙学约束,从弱透镜质量映射比两点函数。我们提出了一个CNN从KiDS-450层析弱透镜数据集的宇宙学结果,约束总物质密度$Ω_m$,波动幅度$σ_8$,和内在的对齐幅度$A_{\rm{IA}}$。我们使用一个网格的N体模拟生成一个训练集的断层弱透镜映射。我们测试的鲁棒性的预期约束的各种影响,如重子反馈,模拟精度,不同的值的$H_0$,或光锥投影技术。我们训练了一组具有不同深度的基于ResNet的CNN,以分析划分为20个平坦区域的断层KiDS质量图集,并应用$σ=2.34$ arcmin的高斯平滑。剪切校准和$n(z)$误差的不确定性在似然管道中被边缘化。在盲法方案之后,我们用CNN分析和$A_{\rm{IA}}=1.398^{+0.779}_{-0.724}$推导出$S_8 = σ_8 (Ω_m/0.3)^{0.5} = 0.777^{+0.038}_{-0.036}$的约束。我们将此结果与相同映射和似然流水线上的功率谱分析进行比较,并发现CNN的$30\%$改进。我们讨论了我们的研究结果如何为深度学习在未来宇宙学数据分析中的应用提供了良好的前景。
2019-09-16 astro-ph.CO
Cosmological Parameter Estimation and Inference using Deep Summaries
获得模型参数的可靠点估计的能力在物理学的许多领域中是至关重要的。这通常是一项困难的任务,因为观察到的数据可能具有非常高的维度。为了解决这个问题,我们提出了一种新的方法来构建参数估计与可量化的偏差使用的顺序扩展的高度压缩的深度汇总统计的观察数据。这些汇总统计是使用信息最大化损失自动学习的。给定一个观察,我们进一步展示了如何使用构造的估计量来获得近似贝叶斯计算(ABC)后验估计及其相应的不确定性,即使可能性不容易处理,也可以使用高斯过程回归进行参数推断。我们验证了我们的方法与弱透镜质量映射的宇宙学参数推断问题的应用。我们表明,在这种情况下,所构造的估计是无偏的,并有一个几乎最佳的方差,而高斯过程回归得到的后验分布是接近真实的后验和执行更好或同样比可比的方法。
2021-12-14 astro-ph.CO
Identifying Halos in Cosmological Simulations with Continuous Wavelet Analysis: The 2D Case
本研究提出基于连续小波分析的方法,在二维情形下识别宇宙学模拟中的暗物质晕,通过压缩三维数据生成伪二维数据集,计算连续小波变换并分割以界定晕边界,与FOF方法对比验证了其适用性,且算法具有线性时间复杂度。
2024-08-19 astro-ph.CO astro-ph.GA astro-ph.IM
Identifying Dark Matter Annihilation Products In The Diffuse Gamma Ray Background
宇宙学上分布的暗物质的湮灭被预测会产生一个潜在的可观测的高能光子流。忽略来自本地结构的贡献,这个信号被预测在天空中几乎是均匀的,为了被识别,必须与各种河外背景竞争。我们在这里集中在未解决的耀变体和讨论几种技术分离的暗物质信号从这个背景。首先,信号和背景的频谱形状预计是不同的,这是一个可以利用Fisher矩阵形式主义的特征。其次,在任何给定的角像素,从耀变体的光子数是从一个分布,这是远离泊松。这种分布的知识增强了人们提取暗物质信号的能力,而忽视它可能导致引入大的系统误差。
2009-12-09 astro-ph.CO
Deep Learning Calibration of the Quasar X-ray/UV Luminosity Relation for Cosmological Applications
Dalian University of Technology(大连理工大学);National Astronomical Observatories, Chinese Academy of Sciences(中国科学院国家天文台);University of Chinese Academy of Sciences(中国科学院大学);Xi’an Jiaotong University(西安交通大学);Nanjing University(南京大学);Zhengzhou University(郑州大学)
利用深度学习LADDER算法重建Pantheon+样本哈勃图,检验类星体X射线/紫外光度关系的红移演化,发现z<0.7样本存在显著差异,需进一步筛选或排除。
2026-06-11 astro-ph.CO
Machine learning uncovers new cosmological information
大型宇宙学数据集一直在探索我们宇宙的性质,并以越来越高的精度约束暗物质和暗能量的参数。深度学习技术已经显示出更智能的潜力,并大大优于人类设计的统计数据。
2018-10-29 astro-ph.CO
An improved cosmological parameter inference scheme motivated by deep learning
暗物质不能被直接观测到,但是它微弱的引力透镜会轻微地扭曲背景星系的外观形状,这使得弱透镜成为宇宙学最有希望的探测器之一。一些观测研究已经测量了这种效应,目前正在进行和计划努力提供更大,更高分辨率的弱透镜图。由于小尺度上的非线性,传统的两点统计分析不能完全捕获所有的潜在信息。基于高阶统计量、峰值统计量、Minkowski泛函和最近的卷积神经网络(CNN),提出了多种推理方法来提取更多的细节。在这里,我们提出了一种改进的卷积神经网络,它提供了比现有技术方法更好的估计$Ω_m$和$σ_8$宇宙学参数的模拟收敛图,也是免费的系统偏差。我们证明了网络利用了峰周围梯度中的信息,并且基于这一见解,我们构建了一种新的,易于理解的,基于峰的“陡度”而不是峰的高度的鲁棒峰值计数算法。所提出的方案是更准确的高分辨率无噪声地图上的神经网络。随着形状噪声和较低的分辨率,它的相对优势恶化,但它仍然比峰值计数更准确。
2018-12-17 astro-ph.CO
The Cosmological analysis of X-ray cluster surveys VII. Bypassing scaling relations with Lagrangian Deep Learning and Simulation-based inference
本文提出一种绕过显式标度关系、基于拉格朗日深度学习仿真器模拟星系团计数的新方法,用于宇宙学推断,其简并性低于传统标度关系方法。
2025-07-02 astro-ph.CO
Improving cosmological constraints via galaxy intrinsic alignment in full-shape analysis
本文首次利用全形状内禀对齐统计量进行Fisher预报,证明星系内禀对齐能显著改进动力学暗能量和修改引力等模型的宇宙学参数约束。
2025-06-05 astro-ph.CO
Cosmic Shear Results from the Deep Lens Survey - II: Full Cosmological Parameter Constraints from Tomography
我们提出了一个层析宇宙剪切研究从深透镜调查(DLS),它提供了一个极限星等r_{lim} ~27(5 sigma),被设计为前光标大型综合巡天望远镜(LSST)调查的重点是深度。使用五个层析红移箱,我们研究它们的自相关和互相关约束宇宙学参数。我们使用一个光度依赖的非线性模型来解释起源于星系形状的内在排列的天体物理系统学。我们发现,DLS的宇宙学杠杆是现有的>10平方米之间的最高。宇宙切变巡天将DLS层析成像与Wilkinson微波各向异性探测器(WMAP 9)的9年结果相结合,得到LCDM的Omega_m=0.293 - 0.014 ^{+0.012},sigma_8=0.833 - 0.018 ^{+0.011},H_0=68.6 - 1.2 ^{+1.4} km/s/Mpc,Omega_b=0.0475+-0.0012。将仅限WMAP 9约束的不确定性降低约50%。当我们不假设LCDM的平坦性时,我们从DLS+ WMAP 9组合获得曲率约束Omega_k=-0.010_{-0.015}^{+0.013},然而当单独使用WMAP 9时,该曲率约束没有得到很好的约束。当加入重子声振荡(BAO)数据时,暗能量状态方程的参数w受到严格约束,用DLS+ WMAP 9 +BAO联合探测得到w=-1.02 - 0.09 ^{+0.10}。超新星约束的增加进一步将参数收紧到w=-1.03+-0…
2016-04-13 astro-ph.CO
Identifying extra high frequency gravitational waves generated from oscillons with cuspy potentials using deep neural networks
在宇宙学暴胀过程中,围绕暴胀后的尖势最小值振荡时,超高频引力波(GHz)的存在已被有效地证明。基于用于探测这种额外HFGW的电磁共振系统,我们采用了一种新的数据处理方案来识别相应的GW信号,即横向微扰光子通量(PPF)。为了克服传统数据处理方法效率低、干扰大的问题,采用深度学习方法提取PPF并进行源参数估计。深度学习能够为实现分类和预测任务提供有效的方法。同时,我们还采用了抗过拟合技术,并在学习过程中对一些超参数进行了调整,在一定程度上提高了分类器和预测器的性能。这里使用卷积神经网络(CNN)来具体实现深度学习过程。在这种情况下,我们调查的分类精度随阳性和阴性样本的数量之间的比率。当该比例超过0.11时,准确率可达100%。
2019-10-17 astro-ph.CO physics.data-an
Cosmological model discrimination with Deep Learning
我们展示了深度学习方法从密度场测量宇宙学参数的潜力,重点是提取非高斯信息。我们考虑弱透镜质量图作为我们的数据集。我们的目标是我们的方法能够区分五个模型,这五个模型被选择为沿着$σ_8$ - $Ω_m$简并,并且具有几乎相同的两点统计。我们设计并实现了一个深度卷积神经网络(DCNN),它可以学习五个宇宙学模型与它们生成的质量图之间的关系。我们开发了一种新的训练策略,确保了网络在高噪声水平下的良好性能。我们比较这种方法的性能,常用的非高斯统计,即偏度和峰度的收敛图。我们发现我们的DCNN实现优于偏度和峰度统计,特别是对于高噪声水平。即使对于与地面透镜观测相对应的噪声水平,网络也保持大于$85\%$的平均辨别效率,而其他统计在该设置中表现较差,实现了小于$70\%$的效率。这证明了基于CNN的方法仅用弱透镜质量图有效地破坏$σ_8$ - $Ω_m$简并性的能力。我们讨论了这种方法的潜力,可应用于分析真正的弱透镜数据和其他数据集。
2017-07-18 astro-ph.CO stat.ML
Learning effective physical laws for generating cosmological hydrodynamics with Lagrangian Deep Learning
Berkeley Center for Cosmological Physics(伯克利宇宙学物理中心);University of California, Berkeley(加州大学伯克利分校);Lawrence Berkeley National Lab(劳伦斯伯克利国家实验室)
生成模型的目标是学习数据之间的复杂关系,以创建新的模拟数据,但目前的方法在非常高的维度上失败。当真实数据生成过程基于物理过程时,这些物理过程施加对称性和约束,并且可以通过学习底层物理的有效描述来创建生成模型,这使得能够将生成模型缩放到非常高的维度。在这项工作中,我们为此提出了拉格朗日深度学习(LDL),将其应用于学习宇宙流体动力学模拟的输出。该模型使用描述可观测量的粒子的拉格朗日位移层来学习有效的物理定律。位移被建模为一个有效的潜力,这明确满足平移和旋转不变性的梯度。学习参数的总数仅为10阶,并且它们可以被视为有效的理论参数。我们结合N体求解器FastPM与LDL,并将它们应用于广泛的宇宙学输出,从暗物质到恒星地图,气体密度和温度。LDL的计算成本比完整的流体动力学模拟低近四个数量级,但在相同的分辨率下,它优于它。我们实现了这一点,从初始条件到最终输出只有10层,与典型的宇宙学模拟数千个时间步长。这开辟了完全在这个框架内分析宇宙学观测的可能性,而不需要大型暗物质模拟。
2020-10-06 astro-ph.CO cs.LG
Wide-field adaptive optics performance in cosmological deep fields for multi-object spectroscopy with the European Extremely Large Telescope
为了在良好的天空覆盖范围内运行,将需要在即将到来的欧洲极大望远镜上安装一台多物体摄谱仪。许多有趣的深宇宙学领域被故意选择为没有明亮的前景恒星,因此对自适应光学(AO)系统具有潜在的挑战性。在这里,我们调查多对象AO性能使用子字段内随机选择的大天文台起源深调查(GOODS)-S字段,这是最坏的情况下广泛用于高红移星系的研究五个深场。我们的AO系统模型是基于建议的MOSAIC仪器,但我们的研究结果同样适用于任何计划中的超大望远镜的多目标光谱计划。潜在的引导星在这些子领域内的识别和用于模拟AO校正。在75~mas范围内,我们获得了25- 35%的能量,这对于探测高红移星系的sub-kpc尺度是足够的。我们还研究了探测器读出噪声对AO系统性能的影响,并考虑了自然导星用于高阶和倾斜仅AO校正的情况。我们还考虑了性能如何与能量盒大小成比例。总之,预期的AO性能对于MOSAIC类仪器来说是足够的,即使在以缺乏明亮前景恒星为特征的深视场中也是如此。
2014-09-26 astro-ph.CO astro-ph.IM
CLiENT: A new tool for emulating cosmological likelihoods using deep neural networks
Aarhus University(奥胡斯大学);University of Zurich(苏黎世大学)
本文提出CLiENT,一种利用深度神经网络直接模拟数据集似然函数的方法,相比传统观测模拟方法,具有自动生成可微分代理似然函数的优势,能够在较少函数评估次数下获得高精度的置信区间和参数空间内的χ²精度。
2026-06-04 astro-ph.CO astro-ph.IM
Comparison of cosmological simulations and deep submillimetre galaxy surveys
最近单碟望远镜在亚毫米测量方面的进展使我们能够进一步挑战宇宙学模拟和观测之间的一致性。特别是,我们比较我们的模拟,包括灰尘的形成和破坏与最近的SCUBA-2调查(“研究”),把重点放在基本的观测性质的尘埃排放,如尘埃温度,红外(IR)发射区的大小,红外光度函数和IRX- $β$关系。在确认我们的模型再现了本地星系的属性后,我们检查了$z\approx 1-4$的STUDIES样本,发现模拟再现了上述数量,除了在大质量端的$z\gtrsim 2$ IR光度函数($\sim 10^{13}$ L $_{\odot}$)。这意味着目前的模拟正确地再现了尘埃区的大小和光度(或恒星形成率)之间的整体比例关系,但缺乏在$z\gtrsim 2$极端的星暴现象。我们还讨论了消光曲线和活动星系核可能的贡献。
2019-01-21 astro-ph.CO astro-ph.GA
Classification of cosmic structures for galaxies with deep learning: connecting cosmological simulations with observations
我们探索了深度学习对宇宙结构进行分类的能力。在宇宙学模拟中,根据暗物质的分布和运动学特征,将宇宙体分割为空洞、片、丝和结,并根据分割结果对星系进行分类。然而,观察性研究不能采用这种使用DM的分类方法。在这项研究中,我们证明了深度学习可以弥合模拟和观察之间的差距。我们的模型基于三维卷积神经网络,并在模拟中使用星系分布的数据进行训练,以从星系而不是DM推断结构类。我们的模型可以像以前的研究一样准确地预测类别标签,使用DM分布进行训练和预测。这意味着星系分布可以取代DM的宇宙结构分类,我们的模型使用星系可以直接应用于宽视场巡天观测。当忽略观测限制时,我们的模型可以将模拟的星系分为四类,(宏观平均$F_{\rm 1}$ -分数)为64%。如果考虑限制星等等的限制,我们的模型可以将SDSS星系分类为$\sim100~{\rm Mpc}$,准确率为60%。在区分空星系和其他星系的二元分类中,我们的模型可以达到百分之八十八的准确率。
2022-07-19 astro-ph.CO astro-ph.GA
Cosmological parameter estimation from large-scale structure deep learning
我们提出了一种轻量级的深度卷积神经网络(CNN),以高精度地从模拟的三维暗物质分布中估计宇宙学参数。训练集基于边长为$256\ h^{-1}\ \rm Mpc$的立方体框的465个实现,利用在$128^3$体素的立方体网格上内插的$128^3$粒子进行采样。这些体积具有在$0.16 \leq Ω_m \leq 0.46$和$2.0 \leq 10^9 A_s \leq 2.3$的平坦$Λ$ CDM参数空间内变化的宇宙学参数。神经网络以具有$32^3$体素的立方体作为输入,并且具有三个卷积层、三个密集层以及一些批归一化和池化层。在来自网络的最终预测中,我们发现原始振幅$σ_8$上的$2.5\%$偏差不能通过继续训练容易地解决。我们纠正这种偏差,以获得前所未有的准确性,在宇宙学参数估计与统计不确定性$δΩ_m$ =0.0015和$δσ_8$ =0.0029,这是几倍,比以前的CNN作品的结果。与使用0-130和10-130 $h^{-1}$ Mpc的聚类区域的2点分析方法相比,CNN约束分别精确数倍和一个数量级。最后,我们进行初步检查的神经网络的容错能力,并发现它具有鲁棒性对平滑,掩蔽,随机噪声,全局变化,旋转,反射和模拟分辨率。这些影响在典型的聚类分析中得到了很好的理解,但以前没有对CNN方法进行过测试。我们的工作表明,CNN可以比人们预期的更有希望从宇宙大尺度结构推导出严格的宇宙学…
2020-06-10 astro-ph.CO gr-qc
Cosmological inference from Bayesian forward modelling of deep galaxy redshift surveys
我们提出了一个大规模的贝叶斯推断框架,约束宇宙学参数使用星系红移调查,通过应用的Alcock-Paczybroski(AP)测试。我们的物理模型的非线性演化的密度场,探测星系调查,采用拉格朗日微扰理论(LPT)连接高斯初始条件的最终密度场,然后通过坐标变换,以获得红移空间表示与数据进行比较。我们生成实现的原始和当今的物质波动给出了一组观察。这种分层的方法编码一种新的AP测试,提取几个数量级更多的信息,从宇宙膨胀相比,经典的方法,推断宇宙学参数,并共同重建底层的三维暗物质密度场。这个AP测试的新颖之处在于约束的comoving红移变换,以推断适当的宇宙学,产生各向同性相关的星系密度场,与基本假设纯粹依赖于宇宙学原理。这种AP测试并不明确依赖于对该领域的全部统计数据进行建模。我们通过模拟深入验证,这使得我们的测试对模型误设具有鲁棒性。这导致了另一个至关重要的优势,即宇宙学参数对目前尚未解决的星系偏置现象表现出极弱的依赖性,从而规避了一个潜在的关键限制。因此,这是第一种方法,以提取大部分的信息,从统计数据以外的直接密度对比度的相关性,而不敏感的密度波动的幅度。我们进行了几个统计效率和一致性测试的模拟星系目录,使用SDSS-III调查作为模板。
2018-11-07 astro-ph.CO astro-ph.IM
A deep learning approach to cosmological dark energy models
我们提出了一种新的深度学习工具,以研究暗能量模型的演化。我们的目标是将两种结构结合起来:递归神经网络(RNN)和贝叶斯神经网络(BNN),我们将这个完整的网络命名为RNN+BNN。第一种是能够学习复杂的序列信息来分类像超新星这样的物体,并直接使用光变曲线来从观测序列中学习信息。由于RNN无法计算不确定性,BNN成为深度学习问题的解决方案,例如过拟合。对于训练,我们使用距离模量$μ(z)$的测量,例如Pantheon超新星Ia型提供的测量。鉴于我们的研究结果,报告的方法被证明是我们如何训练一个新的神经网络,可以计算自己的特定宇宙学数据的置信区域的第一个有前途的一步。值得强调的是,新技术允许减少昂贵的代码的计算负荷的暗能量模型和探测的必要性修改的暗能量模型在大红移的超新星训练采样器。
2020-02-22 astro-ph.CO gr-qc hep-th
A solution of the strong CP problem via the Peccei-Quinn mechanism through the Nieh-Yan modified gravity and cosmological implications
通过将最近引入的Barbero-Immirzi场与QCD轴子相鉴别,强CP问题可以通过Peccei-Quinn机制得到解决。Peccei-Quinn对称性破缺的一个特定的能量尺度自然地由这个模型预测。这提供了一个完整的动力学设置来评估这样一个轴子对宇宙冷暗物质含量的贡献。此外,原始引力波的张量-标量比产生的严格上限可以确定,这代表了对该模型的强有力的实验检验。
2010-06-23 astro-ph.CO gr-qc hep-ph
Bayesian Deep Gaussian Processes for Correlated Functional Data: A Case Study in Cosmological Matter Power Spectra
Elms College(埃尔姆斯学院);Virginia Tech(弗吉尼亚理工大学);Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室);Argonne National Laboratory(阿贡国家实验室)
提出贝叶斯深度高斯过程分层模型,综合多保真度模拟数据估计物质功率谱并量化不确定性,利用基函数表示训练独立GP模拟器预测新宇宙学下的功率谱。
2026-06-08 astro-ph.CO astro-ph.IM stat.AP
DeepSphere: Efficient spherical Convolutional Neural Network with HEALPix sampling for cosmological applications
Swiss Data Science Center (SDSC)(瑞士数据科学中心);EPFL(洛桑联邦理工学院);ETH Zurich(苏黎世联邦理工学院)
卷积神经网络(CNN)是深度学习工具箱的基石,并导致了人工智能的许多突破。这些网络大多是为常规的欧几里德域开发的,例如支持图像,音频或视频的域。由于它们的成功,基于CNN的方法在宇宙学中越来越受欢迎。宇宙学数据通常以球形映射的形式出现,这使得传统CNN的使用更加复杂。球面地图常用的像素化方案是分层等面积等纬度像素化(HEALPix)。我们提出了一个球形CNN,用于分析完整和部分HEALPix映射,我们称之为DeepSphere。球形CNN通过将球体表示为图来构造。图是通用的数据结构,可以作为连续流形的离散表示。使用基于图形的表示,我们定义了许多标准的CNN操作,如卷积和池化。由于过滤器被限制为径向的,我们的卷积与球体上的旋转等变,而DeepSphere可以保持不变或与旋转等变。这样,DeepSphere就是图CNN的一个特例,它是为球体的HEALPix采样量身定制的。这种方法在计算上比使用球面谐波执行卷积更有效。我们证明了弱透镜质量映射从两个宇宙学模型的分类问题的方法,并比较性能的CNN与两个基线分类。结果表明,DeepSphere的性能始终优于或等于这两个基线。对于高噪声水平和仅覆盖球体一小部分的数据,DeepSphere的分类精度通常比这些基线高10%。最后,我们展示了如何将学习的过滤器可视化以反思神经网络。
2019-03-26 astro-ph.CO astro-ph.IM cs.AI