減衰Ly{α}系を発見するためのDESI Mockスペクトルの深層学習【JST・京大機械翻訳】

Wang Ben; Zou Jiaqi; Cai Zheng; Prochaska J. Xavier; Sun Zechang; Ding Jiani; Font-Ribera Andreu; Gonzalez Alma; Herrera-Alcantar Hiram K.; Irsic Vid; Lin Xiaojing; Brooks David; Chabanier Solene; de Belsunce Roger; Palanque-Delabrouille Nathalie; Tarle Gregory; Zhou Zhimin

プレプリント

J-GLOBAL ID：202202213137411111 整理番号：22P0023064

減衰Ly{α}系を発見するためのDESI Mockスペクトルの深層学習【JST・京大機械翻訳】

Deep Learning of DESI Mock Spectra to Find Damped Ly{\alpha} Systems

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (17件)： , , , , , , , , , , , , , , , ,
資料名：
発行年： 2022年01月03日プレプリントサーバーでの情報更新日： 2022年01月03日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

Darkエネルギー分光装置(DESI)モックスペクトルに基づく減衰Lyαシステム(DLAs)の発見と特性化のために,畳み込みニューラルネットワーク(CNN)機械学習モデルを更新し,適用した。訓練プロセスを最適化し,ピクセル当たり5以上の信号雑音(S/N)を持つスペクトルに対して99%以上のDLA分類精度を与えるCNNモデルを構築した。分類精度は正しい分類の速度である。この精度は,低信号対雑音比(S/N)≒1スペクトルに対して97%以上であった。このCNNモデルは,ピクセル当たり3以上のS/Nスペクトルに対して0.002と0.17dexの標準偏差で赤方偏移とHIカラム密度に対する推定を提供した。また,このDLAファインダは重複DLAsとサブDLAsを同定できる。さらに,バリオン音響振動(BAO)の測定に対する異なるDLAカタログの影響を調べた。BAOに対する宇宙論的適合パラメータの結果は,DLAsの完全な知識によるモック結果の解析と比較して,0.61%以下の差を有した。この差は,モックスペクトルから推定される最初の年に対する統計的誤差より,1.7%以上低かった。また,CNNとGaussプロセス(GP)モデルの性能を比較した。改良CNNモデルは,S/N>3に対して,GPコードの古いバージョンよりも,中程度に14%高い純度と7%高い完全性を有した。両符号は,良好なDLA赤方偏移推定を与えるが,GPは,24%少ない標準偏差でより良いカラム密度推定を生成する。DESI主調査のための信頼できるDLAカタログは,これらの2つのアルゴリズムを結合することによって提供することができた。【JST・京大機械翻訳】

, , , , , , , , , , , , ,
, 【Automatic Indexing@JST】

星雲

, , , ,

前のページに戻る