<i>Euclid</i>preparation – XXIII. Derivation of galaxy physical properties with deep machine learning using mock fluxes and<i>H</i>-band images
Notice bibliographique
Résumé
ABSTRACT Next-generation telescopes, like Euclid, Rubin/LSST, and Roman, will open new windows on the Universe, allowing us to infer physical properties for tens of millions of galaxies. Machine-learning methods are increasingly becoming the most efficient tools to handle this enormous amount of data, because they are often faster and more accurate than traditional methods. We investigate how well redshifts, stellar masses, and star-formation rates (SFRs) can be measured with deep-learning algorithms for observed galaxies within data mimicking the Euclid and Rubin/LSST surveys. We find that deep-learning neural networks and convolutional neural networks (CNNs), which are dependent on the parameter space of the training sample, perform well in measuring the properties of these galaxies and have a better accuracy than methods based on spectral energy distribution fitting. CNNs allow the processing of multiband magnitudes together with $H_{\scriptscriptstyle \rm E}$-band images. We find that the estimates of stellar masses improve with the use of an image, but those of redshift and SFR do not. Our best results are deriving (i) the redshift within a normalized error of <0.15 for 99.9 ${{\ \rm per\ cent}}$ of the galaxies with signal-to-noise ratio >3 in the $H_{\scriptscriptstyle \rm E}$ band; (ii) the stellar mass within a factor of two ($\sim\!0.3 \rm \ dex$) for 99.5 ${{\ \rm per\ cent}}$ of the considered galaxies; and (iii) the SFR within a factor of two ($\sim\!0.3 \rm \ dex$) for $\sim\!70{{\ \rm per\ cent}}$ of the sample. We discuss the implications of our work for application to surveys as well as how measurements of these galaxy parameters can be improved with deep learning.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,098 | 0,055 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».