Dust extinction measures for <i>z</i> ∼ 8 galaxies using machine learning on <i>JWST</i> imaging
Notice bibliographique
Résumé
ABSTRACT We present the results of a Machine Learning study to measure the dust content of galaxies observed with JWST at z &gt; 6 through the use of trained neural networks based on high-resolution IllustrisTNG simulations. Dust is an important unknown in the evolution and observability of distant galaxies and is degenerate with other stellar population features through spectral energy fitting. As such, we develop and test a new spectral energy distribution (SED)-independent Machine Learning method to predict dust attenuation and sSFR of high redshift (z &gt; 6) galaxies. Simulated galaxies were constructed using the IllustrisTNG model, with a variety of dust contents parametrized by E(B–V) and A(V) values. These simulated galaxies were then used to train Convolutional Neural Network (CNN) models using supervised learning through a regression model. We demonstrate that within the context of these simulations, our single and multiband models are able to predict dust content of distant galaxies to within a 1$\sigma$ dispersion of A(V) $\sim 0.1$. On spectroscopically confirmed z &gt; 6 galaxies from JADES and CEERS programmes, our models predicted attenuation values of A(V) &lt; 0.7 for all systems, with a lower average [A(V) = 0.28]. The predictions of dust attenuation values that have an average error of 0.26 ($\sigma$ = 0.36) larger than SED fitted values, but for star formation an average error of 0.18 ($\sigma$ = 0.2) smaller. Both results show that distant galaxies at $z &gt; 6$ with confirmed spectroscopy are not very dusty, although this sample is potentially biased. We discuss these issues and present ideas on how to accurately measure dust features at the highest redshifts using a combination of Machine Learning and SED fitting.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».