Alfonzo2026MorphologyAllYou
Brief
#
- 用 ViT 提取 SDSS 数据中的星系形态学信息(进行 embedding),之后针对 SED fitting 结果进行后续训练
- 3band image 的推断结果可以和 11-band photometry 相比,所以图像中实际上存在一些信息无法被 photometry/morphology 参数捕捉
- 另外图像中包含的信息可以缓解年龄-金属丰度-尘埃之间的简并
- fig4/8 是信息密度比较高的图
- 图像中的颜色和形态信息都是重要的
- 花费了一些篇幅讨论星系当前属性和过去 SFH 之间的关联(所谓「记忆时长」问题)
Intro
#
- SED 的很大一个问题是计算成本,可以被一些现代方法(implicit likelihood inference, ILI 或者 SBI)缓解
- 另外一个问题是不同参数之间存在简并性,morphological information 在解决这个问题上具有潜力
- 形态学信息的参数化/信息压缩不可避免地存在信息损失
- this work 基于之前工作(Katachi, Alfonzo 2024)
Data
#
- GALEX-SDSS-WISE 联合 catalog 包括了 700k 星系的多波段的测光数据,并且已经具有 SED fitting 以及 SFH 测量的结果
- 完整的形态学信息来自 SDSS DR8 的 64x64 cutout,并且通过 Lupton 2004 转为 RGB 叠加图
Method
#
- ViT 相比 CNN 具有更佳的性能,机制是将图像分割为 patches 并且用多头自注意力 encoder 进行图像信息的提取
- 使用在 ImageNet-21k 和 ImageNet-2012 上预训练的 ViT 模型,并且进行适当的微调
- 通过 NPE 和 NF 使模型学习从 image embedding 到星系物理属性后验分布的规律
- UMAP 用于整体的可视化和检验
- 算力分配是(单张 A6000):ViT 消耗 40min,ILI 训练 30h,推断时间几乎可忽略
Results
#
- 根据输入不同区分不同的实验组:gri image、ugriz photometry、gri image+ugriz photometry 以及 11-band photometry
- 三波段 image 表现优于五波段 photometry(fig3),说明形态学信息可以弥补 uz 两个波段的信息丢失
- 三波段 image 性能和 11-band photometry 相当(tbl1)
- fig4 三列分别代表 5-band photometry、3band image 以及 combined
- photometry model 存在 stellar mass - SFR 平面上的表现变化,而 image 受到的影响较小
- 通过计算参数推断的 residual 之间的 spearman 系数来量化简并性
- 图像模型可以大幅度消除年龄、尘埃、金属丰度之间的简并性(fig5)
- 将星系划分为 starburst, MS, green valley, quiescent 四类,进一步划分不同质量区间,研究从当前星系状态能够恢复可靠 SFH 的时间范围
- 四类星系对于 SFR 的「记忆时长」逐渐增加,例外是 MS galaxy 具有最长的记忆时间
- 但是 truth value 也来自 SED fitting,所以反映的是 model 推断或者模拟 SED fitting 的能力?或者说比较的是 ViT model 得到的 SFH 和用其他方法推断出的 SFH 之间的一致性
- UMAP 给出了 double peak 分布,两侧分别是 late/early type galaxy
- 在 late galaxy 中可以看到沿着 attenuation 的连续变化
- 可以学习类似的用星系 cutout 作为分布 pixel 的方式
Discussion
#
- 理论上来说形态中包含了一定物理信息,比如 bar 和 starburst 的关联、盘形态和 SF 的关联等
- spearman 系数的计算证明 Sersic index、B/T 等丢失了很多本来能够用于推断 SFH 的信息
- 去除颜色(单一 g-band 数据)会导致推断性能的下降,而使用更低分辨率导致的性能退化比较有限
- starburst 以及 green valley 星系有较短的记忆时间是非常自然的
- quiescent galaxy 记忆时间较短是因为经历 dry merger 或者 galaxy harassment
- 用一个包含滞后性的 toy model 可以比较好地复现 image 和星系属性之间的信息关联
- limitation 包括
- NN 的推断结果可能具有红移依赖性,所以推广到高红移需要谨慎
- truth 来自 7-band fitting 所以会继承 SPS model 的假设和偏差
Thoughts
#
- 隐含的假设是:星系物理的最核心两个性质是 steallr mass 和 SFR
- 如果 ViT 可以作为 CNN 替代也许 strong lensing detection 也可以用 ViT?
- 训练阶段的模型的输入是 image embedding,输出是 SED fitting 结果的 truth
- 在「加速 SED fitting」之外其实伴随输入信息的增加
- 训练其实总共是三步:预训练、微调、ILI 正式训练
- 预训练学习到的是基本的图像特征(比如边缘轮廓、基础几何、明暗对比)以及 patches 之间的关联
- 微调类似于 domain adaption 的过程,使得模型将注意力放在某些和 mass/SFR 相关的 pattern 上面
- 其实 image 也可以允许 5-band?不必局限在 RGB 上
- katachi 的名字起得很好
- SFH 复现的一个 justification 是:用紫外和红外数据计算的 SFH 是比较准确的,而用于推断的 gri image 没有用到其他波段的数据,所以可以代表「信息的记忆留存」
- UMAP 可视化实际上可以做到:选取两个最能代表星系图像特征的差异的维度(但是不一定具有物理意义),展示 768 维度的 sample 的整体分布