Causal Discovery from Time-Series Data with Short-Term Invariance-Based Convolutional Neural Networks
Faculty of Computing(计算机学院);Harbin Institute of Technology(哈尔滨工业大学);The Artificial Intelligence Institute(人工智能研究所);The Department of Computer Science(计算机科学系);The University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校)
STIC通过卷积神经网络利用短期不变性从时间序列数据中发现因果关系,实验表明其在有限观测时间步长时性能优异。
2024-08-15 cs.AI cs.LG
TSI-GAN: Unsupervised Time Series Anomaly Detection using Convolutional Cycle-Consistent Generative Adversarial Networks
Missouri University of Science and Technology(密苏里科技大学);Singapore University of Technology and Design(新加坡科技设计大学)
异常检测被广泛应用于网络入侵检测、自动驾驶、医疗诊断、信用卡欺诈等领域,然而,几个关键的挑战仍然存在,例如缺乏地面真值标签,存在复杂的时间模式,以及在不同数据集上的泛化。本文提出了TSI-GAN,一种无监督的时间序列异常检测模型,可以自动学习复杂的时间模式,并具有良好的泛化能力,即,无需选择特定于以太网的参数,无需对底层数据进行统计假设,也无需更改模型架构。为了实现这些目标,我们使用两种编码技术将每个输入时间序列转换为二维图像序列,其目的是捕获时间模式和各种类型的偏差。此外,我们设计了一个重建的GAN,它在编码器-解码器网络中使用卷积层,并在训练过程中使用循环一致性损失,以确保逆映射也是准确的。此外,我们还在后处理中使用Hodrick-Prescott滤波器来减少误报。我们使用250个精心策划和比平常更难的数据集来评估TSI-GAN,并与8种最先进的基线方法进行比较。结果表明,TSI-GAN优于所有基线,与第二名的MERLIN和第三名的LSTM-AE相比,TSI-GAN的整体性能分别提高了13%和31%。
2023-03-22 cs.CR cs.LG
Time-Series Regeneration with Convolutional Recurrent Generative Adversarial Network for Remaining Useful Life Estimation
Peking University(北京大学);Singapore University of Technology and Design(新加坡科技设计大学)
对于健康预测任务,越来越多的努力集中在基于机器学习的方法上,这些方法能够在不探索退化机制的情况下为工业设备或部件产生准确的剩余使用寿命(RUL)估计。确保这些方法成功的先决条件取决于大量的运行至故障数据,然而,运行至故障数据在实践中可能是不够的。也就是说,进行大量的破坏性实验不仅成本高昂,而且可能造成灾难性的后果。基于这种考虑,本文首次提出了一种针对非循环和循环退化模式的数据自生成的增强型RUL框架。它旨在以数据驱动的方式丰富数据,生成逼真的时间序列以增强当前的RUL方法。首先,通过所提出的卷积递归生成对抗网络(CR-GAN)确保高质量的数据生成,该网络采用双通道融合卷积递归神经网络。接下来,提出了一个分层框架,将生成的数据结合到当前的RUL估计方法中。最后,通过非循环和循环退化系统验证了所提出的方法的有效性。利用改进的RUL框架,采用三种典型的RUL模型对航空发动机系统进行了非循环退化试验。最先进的RUL估计结果是通过用生成的时间序列增强胶囊网络来实现的。具体而言,估计误差的指标评分函数已分别减少了21.77%,和32.67%的两个工作条件,分别。此外,估计误差降低到零的锂离子电池系统,这是周期性退化。
2021-01-11 cs.AI cs.LG
Probabilistic Numeric Convolutional Neural Networks
Qualcomm AI Research(高通人工智能研究院);New York University(纽约大学)
不规则采样或具有缺失值的图像和时间序列等连续输入信号对于现有的深度学习方法来说具有挑战性。相干定义的特征表示必须依赖于输入的未观察区域中的值。借鉴概率数值的工作,我们提出了概率数值卷积神经网络,它代表高斯过程(GP)的功能,提供了一个概率描述的离散化误差。然后,我们将卷积层定义为在此GP上定义的PDE的演变,然后是非线性。这种方法也自然地允许在例如旋转群下的可操纵的等变卷积。在实验中,我们表明,我们的方法产生了$3\times$减少错误从以前的状态的SuperPixel-MNIST数据集和医疗时间序列数据集PhysioNet 2012上的竞争力的性能。
2020-10-21 cs.CV cs.LG
Simulating financial time series using attention
Columbia University(哥伦比亚大学);Zurich University of Applied Sciences(苏黎世应用科学大学)
金融时间序列模拟是一个中心议题,因为它扩展了有限的真实数据的培训和评估的交易策略。由于真实金融数据的复杂统计特性,这也是具有挑战性的。我们介绍了两种生成对抗网络(GANs),它们利用具有注意力的卷积网络和变压器,用于金融时间序列仿真。GANs以数据驱动的方式学习统计特性,注意力机制有助于复制长期依赖关系。在标准普尔500指数和期权数据上对所提出的GANs进行了测试,根据程式化事实进行了评分,并与纯卷积GAN(即QuantGAN)进行了比较。基于注意力的GANs不仅再现了程式化的事实,而且平滑了收益的自相关性。
2022-07-01 cs.LG q-fin.CP q-fin.ST
A Probabilistic Autoencoder for Type Ia Supernovae Spectral Time Series
University of California, Berkeley(加州大学伯克利分校);Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室);Sorbonne Université(索邦大学);Université de Paris(巴黎大学);University of Washington(华盛顿大学)
我们构建了一个物理参数化的概率自动编码器(PAE)学习的本质多样性Ia型超新星(SNe Ia)从一组稀疏的光谱时间序列。PAE是一个两阶段生成模型,由自动编码器(AE)组成,在使用标准化流(NF)进行训练后,对AE进行概率解释。我们证明,PAE学习低维的潜在空间,捕捉人口内存在的非线性范围的功能,并可以准确地模拟光谱演化的超新星Ia在整个范围内的波长和观测时间直接从数据。通过引入相关惩罚项和多阶段训练设置以及我们的物理参数化网络,我们表明内在和外在的变异模式可以在训练过程中分离,从而消除了额外模型执行幅度标准化的需要。然后,我们使用我们的PAE在SNe Ia的一些下游任务越来越精确的宇宙学分析,包括SN离群值的自动检测,生成与数据分布一致的样本,并解决存在噪声和不完整数据的逆问题,以约束宇宙学距离测量。我们发现,最佳数量的内在模型参数似乎是三个,与以前的研究一致,并表明,我们可以标准化我们的测试样本的超新星Ia与RMS的$0.091 \pm 0.010$马格,这对应于$0.074 \pm 0.010$马格,如果特殊的速度贡献被删除。在\href{https://github.com/georgestein/suPAErnova}{github.com/georgestein/suPAErnova}发布培训模型和代码
2022-07-15 astro-ph.CO cs.LG
An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions
University of Notre Dame(圣母大学)
在这篇研究论文中,我们研究了人工神经网络模型的能力,以模拟风暴潮的风暴路径/大小/强度的历史的基础上,利用数据库的合成风暴模拟。传统上,采用计算流体动力学求解器来数值求解偏微分方程的风暴潮控制方程,并且通常模拟成本非常高。本研究提出了一个神经网络模型,可以预测风暴潮,由数据库的合成风暴模拟通知。该模型可以作为非常昂贵的CFD求解器的快速且经济的仿真器。神经网络模型使用用于驱动CFD求解器的风暴路径参数进行训练,并且模型的输出是在感兴趣的空间域内跨多个节点的预测风暴潮的时间序列演变。一旦模型经过训练,就可以根据新的风暴路径输入进行进一步的预测。所开发的神经网络模型是一个时间序列模型,一个长短期记忆,一个变种的递归神经网络,其中丰富了卷积神经网络。采用卷积神经网络来捕捉数据的空间相关性。因此,数据的时间和空间相关性通过上述模型的组合,即ConvLSTM模型来捕获。由于该问题是一个序列到序列的时间序列问题,因此设计了一个编码器-解码器ConvLSTM模型。在模型训练过程中还采用了其他一些技术来丰富模型的性能。结果表明,所提出的卷积循环神经网络优于高斯过程实现检查合成风暴数据库。
2022-04-18 cs.AI cs.CE cs.LG
Visualizing convolutional neural network for classifying gravitational waves from core-collapse supernovae
本研究利用卷积神经网络分类核心坍缩超新星引力波,通过类激活映射可视化揭示模型依赖频谱图中的$g$模式和低频特征,增强可解释性并指导探测效率提升。
2023-12-20 astro-ph.IM
Anomaly Detection for Multivariate Time Series of Exotic Supernovae
Columbia University(哥伦比亚大学);Princeton University(普林斯顿大学);Flatiron Institute(弗莱迪龙研究所);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
超新星标志着恒星的爆炸性死亡,并使宇宙充满了重元素。未来的望远镜将每晚发现数千颗新的超新星,这就需要迅速标记天体物理学上有趣的事件,以便进行后续研究。理想情况下,这种异常检测管道将独立于我们当前的知识,并对意外现象敏感。在这里,我们提出了一个无监督的方法来搜索异常的时间序列实时瞬态,多变量和非周期性信号。我们使用基于RNN的变分自编码器来编码超新星时间序列,并使用隔离森林来搜索学习编码空间中的异常事件。我们将这种方法应用于12,159颗超新星的模拟数据集,成功地发现了异常超新星和具有灾难性不正确红移测量的物体。这项工作是第一个使用在线数据流的超新星异常检测管道。
2020-10-21 astro-ph.HE astro-ph.IM cs.LG
Enhanced Rotational Invariant Convolutional Neural Network for Supernovae Detection
在本文中,我们提出了一个增强的CNN模型检测超新星(SNe)。这是通过应用一种新的方法来获得旋转不变性,利用循环对称。此外,我们使用一种可视化方法,逐层相关传播(LRP)方法,它允许找到每个图像中的相关像素,有助于区分SN候选人和伪影。我们引入了一种措施来定量评估旋转不变方法对LRP相关热图的影响。这允许将所提出的方法CAP与原始Deep-HiTS模型进行比较。结果表明,增强的方法提出了一个增强的能力,实现相对于原始模型的旋转不变性。CAP模型的集合在HiTS数据集上获得了迄今为止最好的结果,平均准确率达到99.53%。与Deep-HiTS相比的改进在统计学和实践中都是显著的。
2018-08-10 astro-ph.IM
SCONE: Supernova Classification with a Convolutional Neural Network
我们提出了一种新的方法分类Ia型超新星使用卷积神经网络,神经网络框架通常用于图像识别。我们的模型仅基于光度信息进行训练,无需精确的红移数据。通过2D高斯过程回归将光度数据预处理成从波长-时间空间中每个位置处的通量值创建的二维图像。每个超新星探测的这些“通量热图”,以及高斯过程不确定性的“不确定热图”,构成了我们模型的数据集。该预处理步骤不仅平滑滤波器之间的不规则采样率,而且还允许SCONE独立于训练它的滤波器集。我们的模型已经取得了令人印象深刻的性能,没有红移的分布SNIa分类问题:$99.73 \pm 0.26$ %的测试准确度,没有过/欠拟合的一个子集的超新星从PLASTiCC的非盲测试数据集。我们还实现了$98.18 \pm 0.3$ %的测试精度进行6路分类超新星的类型。分布外性能与分布内结果不完全匹配,这表明训练样本与测试样本相比的详细特征对性能有很大影响。我们讨论了未来工作的意义和方向。为本文开发的所有数据处理和模型代码可以在位于github.com/helenqu/scone的SCONE软件包中找到。
2021-06-08 astro-ph.CO astro-ph.IM
Detection and Classification of Supernova Gravitational Waves Signals: A Deep Learning Approach
我们演示了卷积神经网络的应用程序的引力波信号从核心坍缩超新星。利用模拟的引力波探测器时间序列,我们证明了基于爆炸机制的卷积神经网络可以用于探测和分类隐藏在噪声中的引力波信号。对于卷积神经网络训练中使用的波形,我们的研究结果表明,先进的LIGO,先进的VIRGO和KAGRA网络,或LIGO A+,先进的VIRGO和KAGRA网络很可能检测到大麦哲伦云和小麦哲伦云内的磁旋转核心坍缩超新星,或银河系事件,如果爆炸机制是中微子驱动的机制。通过测试卷积神经网络与波形不用于训练,我们表明,真正的报警概率为52%和83%,在60 kpc的波形R3E1AC和R4E1FC L。对于10 kpc的波形s20和SFHx,真实报警概率分别为70%和93%。所有的错误警报概率都是10%。
2019-12-31 astro-ph.HE astro-ph.IM
Single-epoch supernova classification with deep convolutional neural networks
NTT Communication Science Laboratories(NTT通信科学实验室);Kavli IPMU, the University of Tokyo(东京大学卡弗里数物连携宇宙研究机构);National Astronomical Observatory of Japan(日本国立天文台)
Ia型超新星(SNeIa)在探索宇宙膨胀的历史中发挥着重要作用,因为它们是最着名的标准烛光,我们可以准确地测量到物体的距离。寻找大样本的SNeIa并研究其详细特征已成为宇宙学和天文学的重要问题。现有的方法依赖于光度测量方法,该方法首先精确测量超新星候选者的亮度,然后将结果拟合到亮度随时间变化的参数函数。然而,它不可避免地需要多历元观测和复杂的亮度测量。在这项工作中,我们提出了一种新的方法,简单地从单历元观测图像分类SNeIa没有任何复杂的测量,有效地集成了最先进的计算机视觉方法到标准的光度方法。我们的方法首先建立一个卷积神经网络估计超新星的亮度从望远镜图像,然后构建另一个神经网络的分类,其中估计的亮度和观测日期被用作分类的特征。这两个神经网络都集成到一个深度神经网络中,直接从观察图像中对SNeIa进行分类。实验结果表明,所提出的方法的有效性和揭示的分类性能与现有的光度方法与多历元观测。
2017-11-30 astro-ph.IM cs.CV
Probabilistic Dalek -- Emulator framework with probabilistic prediction for supernova tomography
Michigan State University(密歇根州立大学);Volkswagen AG(大众汽车集团);Max-Planck-Institut für extraterrestrische Physik(马克斯·普朗克地外物理研究所);Eötvös Loránd University(厄特沃什·罗兰大学)
超新星光谱时间序列可以用来重建一个空间分辨的爆炸模型,称为超新星层析成像。除了观测到的光谱时间序列,超新星断层扫描需要一个辐射传输模型来执行重建的不确定性量化的逆问题。超新星层析成像模型的最小参数化大约是十几个参数,一个现实的需要超过100个。现实的辐射传输模型需要几十个CPU分钟的一个单一的评估,使问题的计算棘手的传统手段需要数百万的MCMC样本这样的问题。一种加速模拟的新方法,称为代理模型或使用机器学习技术的仿真器,为这些问题提供了一种解决方案,并提供了一种从光谱时间序列中了解祖先/爆炸的方法。有仿真器的TARDIS超新星辐射传输代码,但他们只执行简单的低维模型(大约十几个参数)与少数应用程序的知识增益在超新星领域。在这项工作中,我们提出了一个新的仿真器的辐射传输代码TARDIS,不仅优于现有的仿真器,但也提供了其预测的不确定性。它为未来基于主动学习的机器提供了基础,该机器将能够模拟数百个参数的高维空间,这些参数对于解开超新星和相关领域的紧迫问题至关重要。
2022-09-20 astro-ph.IM cs.LG
Contrastive self-supervised convolutional autoencoder for core-collapse supernova gravitational-wave detection
College of Sciences, Northeastern University(东北大学理学院);Institute of Mechanics, Chinese Academy of Sciences(中国科学院力学研究所)
本文提出了一种对比自监督卷积自编码器(CS-CAE)用于核心塌陷超新星(CCSNe)引力波信号检测,通过结合卷积自编码器、噪声中心潜在正则化器和对比目标训练的投影头,提高了信号检测的鲁棒性和泛化能力。
2026-05-20 astro-ph.CO astro-ph.IM gr-qc
Identifying Transients in the Dark Energy Survey using Convolutional Neural Networks
在观测天文学中,通过图像差分而无需直接人为干预来发现新瞬变的能力是一项重要任务。对于这类图像分类问题,卷积神经网络(CNN)等机器学习技术已经取得了显着的成功。在这项工作中,我们提出了一个自动瞬态识别的结果与CNN的图像从暗能量调查超新星计划(DES-SN),其主要重点是使用Ia型超新星的宇宙学的现存数据集。通过对CNN进行架构搜索,我们识别出了有效选择非人工产物(例如超新星、变星、活动星系核等)的网络。来自伪影(图像缺陷、误减等),实现了以前的工作与随机森林的效率,而不需要花费任何努力,在功能识别。CNN还帮助我们识别错误标记图像的子集。对该子集中的图像进行重新标记,使用CNN得到的分类结果明显优于以前的结果。
2022-09-02 astro-ph.IM stat.ML
Photometry of supernovae in an image series : methods and application to the Supernova Legacy Survey (SNLS)
我们提出了一种技术来测量时变点源的光变曲线的空间结构的背景下,从成像数据。该技术是为了测量SNLS超新星的光变曲线,以推断它们的距离而开发的。该测光技术在图像系列上的相同天空位置处执行同时PSF测光。我们描述了两种实现的方法:一个是重新采样图像测量通量之前,和一个不。在这两种情况下,我们勾勒出所涉及的关键算法,并提出了验证使用半人工源引入实像,以评估相对于周围恒星的超新星通量测量的准确性。我们描述了锚定这些PSF通量校准孔径目录所需的方法,以获得SN幅度。我们发现一个轻微的显着偏差的2毫微克的后rescue的方法,并没有偏见的毫微克的准确度的非rescue的方法。鉴于周围的恒星的星等,我们确定的SN星等的系统不确定性小于1.5毫等,这代表了目前的光度校准不确定性影响SN测量的三分之一左右。SN测光提供了几个副产品:亮星PSF通量测量的重复性约为0.6%,对于孔径测量,我们测量了相对天体测量位置,对于单图像亮星测量,噪声基底为2.4 mas;我们表明,在MegaCam仪器的所有波段中,恒星在整个亮度范围内表现出随流量线性加宽约0.5%的轮廓。
2013-06-21 astro-ph.IM
Astronomical image time series classification using CONVolutional attENTION (ConvEntion)
University of Montpellier(蒙彼利埃大学);University of Nimes(尼姆大学);Aix Marseille Univ(艾克斯-马赛大学);Paul Valéry University Montpellier 3(蒙彼利埃第三大学(保罗·瓦莱里大学));INRAE(法国国家农业、食品与环境研究院);CIRAD(法国国际农业研究合作中心);CNRS(法国国家科学研究中心)
提出基于卷积和Transformer的深度学习方法ConvEntion,直接利用天文图像时间序列进行天体分类,准确率较现有图像和光曲线方法分别提升13%和12%。
2023-04-03 astro-ph.IM cs.LG
Classifying the nuclear equation of state in LVK interferometric noise through core-collapse supernova gravitational-wave signatures using convolutional neural networks
University of Warsaw(华沙大学);Embry-Riddle Aeronautical University(埃默里-里德尔航空大学);University of Tennessee, Knoxville(田纳西大学诺克斯维尔分校);Tecnológico de Monterrey(蒙特雷理工学院);Universidad de Guadalajara(瓜达拉哈拉大学)
该研究利用卷积神经网络,通过核心坍缩超新星引力波信号在LVK干涉测量噪声中对核状态方程分类,以五个CCSN模拟为示例分析数据,在1千秒差距处分类准确率高,有望扩展到下一代天文台,整体及各EOS类分类性能强。
2026-07-27 astro-ph.HE astro-ph.IM gr-qc
Low Dimensional Convolutional Neural Network For Solar Flares GOES Time Series Classification
Ariel University(阿里埃勒大学);Eastern R&D center(东部研发中心);Interdisciplinary Center Herzliya(赫兹利亚跨学科中心)
空间天气现象如太阳耀斑,当达到一定量级时,具有巨大的破坏力。这种高强度的太阳耀斑事件可以干扰空间-地球无线电通信和抵消空间-地球电子设备。在目前的研究中,我们探索了深度学习方法来建立一个太阳耀斑预测模型,并根据可用的时间序列数据,研究其局限性以及特征提取的能力。为此,我们提出了一个多层一维卷积神经网络(CNN)预测太阳耀斑事件发生的概率在1,3,6,12,24,48,72,96小时的时间框架的M和X类。为了训练和评估模型的性能,我们利用了1998年7月至2019年1月期间可用的地球静止运行环境卫星(GOES)X射线时间序列数据,几乎完全覆盖了太阳活动周期23和24。在随机选择和时序选择两种不同的情景下对预测模型进行训练和评估,并对两种情景进行比较。结果表明:(1)对于M类模型,时序选择比随机选择的退化因子为3%,而X类模型的高程因子为2%; (2)当考虑仅使用X射线时间序列数据时,与其他研究相比,所建议的模型获得了高分结果。(3)所提出的模型与单独的X射线时间序列相结合不能区分M级和X级的太阳耀斑事件。所有源代码都可以在https://github.com/vladlanda/Low-Dimensional-Convolutional-Neural-Network-For-Solar-Flares-GOES-Time-Series-Classification上获得
2021-01-29 astro-ph.HE astro-ph.IM astro-ph.SR
Pan-chromatic photometric classification of supernovae from multiple surveys and transfer learning for future surveys
时域天文学正在进入一个新的时代,因为更高节奏的宽场调查允许比以往任何时候都更多的发现。该领域越来越多地使用机器学习和深度学习来将瞬变自动分类为已建立的分类法。训练这样的分类器需要足够大和有代表性的训练集,这对于未来的新调查,如Vera Rubin天文台,特别是在运行初期,是不能保证的。我们提出了使用高斯过程来创建来自多个调查的超新星光变曲线的统一表示,这些调查是通过开放式超新星目录获得的,用于使用卷积神经网络进行监督分类。我们还研究了使用迁移学习对光度LSST天文时间序列分类挑战(PLASTiCC)数据集的光变曲线进行分类。使用卷积神经网络对来自多个调查的超新星光变曲线的高斯过程生成的表示进行分类,我们获得了0.859的AUC得分,用于分类为Ia型,Ibc型和II型。我们发现,迁移学习在对PLAstiCC光变曲线进行分类时,将代表性最低的类别的分类准确性提高了18%,并且在将光度红移分类为六个类别(Ia,Iax,Ia-91 bg,Ibc,II,SLSN-I)时,能够实现0.945的AUC得分。我们还研究了迁移学习在有限的标记训练集时的有用性,以了解这种方法如何在操作开始时用于未来调查中的分类器训练。
2022-08-02 astro-ph.IM astro-ph.SR
Photometric Classification of Early-Time Supernova Lightcurves with SCONE
在这项工作中,我们提出了分类结果的早期超新星光变曲线从SCONE,光度分类器,使用卷积神经网络分类超新星(SNe)的类型使用光变曲线数据。SCONE能够从任何阶段的光变曲线中识别SN类型,从最初警报的夜晚到它们的寿命结束。模拟的LSST SNe光变曲线在触发日期后0、5、15、25和50天被截断,并用于在波长和时间空间中训练高斯过程以产生波长-时间热图。SCONE使用这些热图在SN类型Ia、II、Ibc、Ia-91 bg、Iax和SLSN-I之间执行6向分类。SCONE是能够进行分类或没有红移,但我们表明,将红移信息提高了性能在每个时代。SCONE在触发日期达到75%的总体准确性(60%没有红移),在触发后50天达到89%的准确性(82%没有红移)。SCONE也在SNe的明亮子集(r<20 mag)上进行了测试,并在触发日期产生了91%的准确性(83%没有红移)和95%的触发后5天(94.7%没有红移)。SCONE是卷积神经网络在早期光度瞬态分类问题中的首次应用。为本文开发的所有数据处理和模型代码可以在位于github.com/helenqu/scone的SCONE软件包中找到。
2021-11-10 astro-ph.CO astro-ph.IM
AI-driven spatio-temporal engine for finding gravitationally lensed type Ia supernovae
我们提出了一个时空人工智能框架,同时利用光学图像中引力透镜超新星的空间和时间变量特征,以最终帮助未来在宽场调查中发现这种奇异的瞬态。我们的时空引擎是使用递归卷积层设计的,同时借鉴变分推理的最新进展,通过置信度得分量化近似贝叶斯不确定性。使用模拟的年轻超新星实验(YSE)图像的透镜和非透镜超新星作为展示,我们发现,使用时间序列图像增加了相关的信息,从时间变化的空间光分布的部分混合图像的透镜超新星,产生了约20%的分类精度大幅增益单历元观测。我们的网络初步应用于模拟来自空间和时间遗产调查(LSST)的观测结果,检测准确率达到99%左右。我们创新的深度学习机制是通用的,可用于搜索任何类别的光源,这些光源在光通量和空间分布方面都表现出变化。
2022-03-24 astro-ph.CO astro-ph.IM
Family dispute: do Type IIP supernova siblings agree on their distance?
本文利用同一宿主星系中成对IIP型超新星的光谱时间序列,结合基于Tardis模型训练的光谱仿真器与膨胀光球法估计距离,并通过贝叶斯因子验证了该方法所得距离估计的内部一致性与稳健性。
2023-02-06 astro-ph.HE astro-ph.IM astro-ph.SR
A Novel Optimal Transport-Based Approach for Interpolating Spectral Time Series: Paving the Way for Photometric Classification of Supernovae
本文提出基于最优输运的光谱时间序列插值方法,利用带不确定度惩罚的加权平均由稀疏光谱生成高采样合成光变曲线,并在多波段验证其可用于超新星测光分类。
2024-09-25 astro-ph.HE astro-ph.IM
HOLISMOKES XXI: Detecting strongly lensed type Ia supernovae from time series of multi-band LSST-like imaging data -- Part II
Technical University of Munich(慕尼黑工业大学);Max-Planck-Institut für Astrophysik(马克斯·普朗克天体物理学研究所);Aix Marseille Univ, CNRS, CNES, LAM(艾克斯-马赛大学);Finnish Centre for Astronomy with ESO (FINCA), University of Turku(图尔库大学芬兰ESO天文中心);University of Helsinki(赫尔辛基大学);INAF - IASF Milano(意大利国家天体物理研究所米兰分院);University Observatory, LMU Faculty of Physics(慕尼黑大学物理学院天文台)
本文提出一种基于深度学习的框架,通过多波段多时期图像切片直接检测强引力透镜Ia型超新星,通过引入时间序列中的点扩散函数变化和方差图修正,提高检测性能。
2026-05-06 astro-ph.CO astro-ph.GA astro-ph.HE
Real-Time Detection of Unmodelled Gravitational-Wave Transients Using Convolutional Neural Networks
Gravity Exploration Institute, School of Physics and Astronomy, Cardiff University(卡迪夫大学物理与天文学学院重力探索研究所)
本文提出一种新型卷积神经网络,用于实时检测无精确模型的引力波瞬态信号,具有低延迟和高效计算优势。
2024-06-18 astro-ph.IM gr-qc
Quantitative modelling of type Ia supernovae spectral time series II: Exploring the diversity of thermonuclear explosion scenarios
University of Warwick(华威大学)
本文提出riddler框架,通过机器学习自动拟合Ia型超新星,改进了训练数据并展示了其在不同爆炸场景中的准确性,为未来自动化分析提供重要工具。
2026-10-26 astro-ph.HE astro-ph.IM astro-ph.SR
DASH: Deep Learning for the Automated Spectral Classification of Supernovae and their Hosts
我们提出了DASH(深自动超新星和主机分类器),一种新的软件包,自动分类的类型,年龄,红移,和宿主星系的超新星光谱。DASH使用了一种新的方法,不像以前的所有软件那样依赖于迭代模板匹配技术,而是根据每个超新星的类型和年龄的学习特征进行分类。它通过采用深度卷积神经网络来训练匹配算法来实现这一点。这种方法使DASH比以前的工具快了几个数量级,能够在几秒钟内准确地对数百或数千个对象进行分类。我们已经测试了其性能的四年的数据从澳大利亚暗能量调查(OzDES)。深度学习模型是使用TensorFlow开发的,并使用来自CfA超新星计划和伯克利SN Ia计划的4000多个超新星光谱进行训练,如SNID(超新星识别软件,Blondin & Tennis 2007)中所用。与模板匹配方法不同,训练模型与训练数据中的光谱数量无关,这使得DASH具有前所未有的速度。我们已经开发了一个图形界面,用于超新星的简单视觉分类和分析,以及一个Python库,用于几个超新星光谱的自主和快速分类。DASH的速度、准确性、用户友好性和多功能性是对现有光谱分类工具的进步。我们已经在GitHub和PyPI(pip install astrodash)上公开了代码,以允许进一步的贡献和开发。该软件包文档可在https://astrodash.readthedocs.io上获得。
2019-10-07 astro-ph.CO astro-ph.IM