CSST无缝光谱红移测量网络

红移误差远低于要求

该网络基于贝叶斯神经网络和迁移学习，能够从CSST无缝光谱中高精度地估计星系红移，并同时提供不确定性估计。

Zhou, Xingchen · 巩岩 · Xin, Zhang · Li, Nan · 孟宪民 · 陈学雷 · Wen, Run · Han, Yunkun · 邹虎 · 郑宪忠 · 杨小虎 · 郭宏 · Pengjie, Zhang

Astrophysical Journal 2024

参数信息

红移估计精度

0.00063

离群值比例

0.92 %

加权平均不确定性

0.00228

技术优势

精度远超要求

σ_NMAD达到了0.00063，满足并优于CSST巡天科学目标所要求的0.005阈值。

自带不确定性

网络同时输出红移估计及其不确定性，便于后续科学分析。

迁移学习省时

采用迁移学习技术，在卷积神经网络后添加贝叶斯层，有效利用已学特征。

应用场景

• 宇宙学参数约束：提供高精度红移以测量BAO，从而约束宇宙学参数。
• 光谱数据处理：从CSST无缝光谱中自动提取红移，减少人工干预。
• 巡天数据分析：快速处理海量巡天光谱数据，生成红移样本。
• 深度学习应用：展示贝叶斯深度学习在天文光谱分析中的有效应用。