Estimation du redshift des galaxies à partir d'images multibandes avec l'apprentissage profond : performances et obstacles

L'estimation des redshifts photométriques est cruciale dans les études cosmologiques actuelles et futures pour comprendre la structure à grande échelle de l'univers et l'évolution des galaxies. L'apprentissage profond, et en particulier les réseaux neuronaux convolutifs (CNN), se sont révélés efficaces pour produire des redshifts photométriques précis à partir d'images multibandes de galaxies dans le cadre de l'étude locale du SDSS. L'amélioration de cette technique et son extension à des redshifts plus élevés sont nécessaires pour les futurs relevés tels que le LSST, mais restent un défi en raison du manque de représentativité des ensembles d'entraînement spectroscopiques à des magnitudes faibles. Mon travail relève ce défi. Tout d'abord, nous introduisons une approche CNN multimodale : contrairement aux méthodes précédentes, elle commence par traiter en parallèle plusieurs sous-ensembles d'images dans différentes bandes photométriques, dont les résultats sont ensuite fusionnés pour un traitement ultérieur par un CNN. Nous évaluons les performances de notre méthode à l'aide de trois relevés : le Sloan Digital Sky Survey (SDSS), le Canada-France-Hawaii Telescope Legacy Survey (CFHTLS) et le relevé Hyper Suprime-Cam (HSC). En améliorant la capacité du modèle à capturer l'information contenue dans les corrélation entre différentes bandes, notre technique surpasse l'état de l'art en précision de redshifts photométriques. Nous constatons que cette amélioration ne dépend pas de l'architecture spécifique du CNN et qu'elle augmente avec le nombre de filtres photométriques disponibles. Deuxièmement, nous étudions l'application de cette technique à un ensemble de données représentatif du relevé HSC à i ≲ 25. Des redshifts spectroscopiques pour les sources brillantes à i ≲ 24 sont disponibles dans différents champs du relevé, tandis que pour les sources faibles, nous devons nous fier aux redshifts photométriques à 30 bandes de COSMOS2020. Nous utilisons ce dernier comme champ de calibration pour générer un échantillon d'entraînement représentatif. Nous montrons que le réseau souffre d'un important problème de mismatch photométrique entre les différents champs du relevé, ce qui se traduit par une très faible capacité de généralisation, en particulier pour les magnitudes faibles. Nous présentons une méthode d'adaptation de domaine non supervisé pour résoudre ce problème. Le réseau est entraîné sur le champ de calibration et généralise de manière fiable à d'autres champs. Nous montrons l'efficacité de cette approche en la testant sur les échantillons spectroscopiques des différents champs et en évaluant les distributions de redshift estimées dans différentes gammes de magnitudes en bande i

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.