基于卷积神经网络的 Lyman 断层星系分类与 DESI 中红移回归
原文中文，约200字，阅读约需1分钟。发表于：。利用基于卷积神经网络 (CNN) 的 QuasarNET 模型和数据增强技术，本研究通过确定 Laman Break Galaxies (LBGs) 是否是 LBGs 以及通过红移确定它们与地球的距离，进而将这些星系放置在 DESI 的 3D 地图上，提高模型性能并实现了高达 94% 的平均得分。
本研究使用多目标学习的卷积神经网络来搜索和表征夸克星光谱中的强氢Lyman-Alpha吸收，并进行分类和定量测量。该算法能够准确预测HI吸收的存在性，并估计相应的redshift zabs和HI柱密度NHI。通过自定义训练集进行模型训练，并在SDSS-DR7和BOSS数据集中验证了深度学习在天文光谱测量方面的有效性。
