DOI: https://doi.org/10.33232/001c.156099
تاريخ النشر: 2026-02-02
المؤلف: Grant Merz وآخرون
الموضوع الرئيسي: المجرات: التكوين، التطور، الظواهر
نظرة عامة
تناقش هذه القسم التقدم في تقنيات تقدير الانزياح الضوئي (photo-z)، مع التركيز بشكل خاص على تطبيق طرق التعلم الآلي على بيانات الأشعة تحت الحمراء القريبة ذات الانزياح العالي. بينما تم استخدام طرق تركيب توزيع الطاقة الطيفية (SED) التقليدية على نطاق واسع، خاصة في المسوحات البصرية ذات الانزياح المنخفض، فإن فعالية الخوارزميات المعتمدة على الصور في سياقات الانزياح العالي لا تزال غير مُختبرة إلى حد كبير. تقيم الدراسة أداء إطار عمل الكشف، وتقسيم الكائنات، والتصنيف باستخدام التعلم العميق (DeepDISC) في تقدير الانزياح الضوئي باستخدام صور NIRCam من المسح العميق المتقدم خارج المجرة (JADES) التابع لتلسكوب جيمس ويب الفضائي (JWST).
تشير النتائج إلى أن DeepDISC يولد تقديرات موثوقة للانزياح الضوئي وعدم اليقين التي يمكن مقارنتها بتلك المستمدة من طرق تركيب القوالب التقليدية باستخدام مرشحات HST وJWST. ومن الجدير بالذكر أن DeepDISC يظهر أداءً متفوقًا، حيث يظهر تشتتًا أقل وعددًا أقل من القيم الشاذة عندما تتماشى المرشحات الضوئية. بالإضافة إلى ذلك، فإنه يوفر مزايا كبيرة من حيث الكفاءة، حيث ينتج كتالوجًا يحتوي على 94,000 تقدير للانزياح الضوئي في أربع دقائق فقط على وحدة معالجة الرسوميات NVIDIA A40 واحدة، دون الحاجة إلى قياسات فوتومترية. تسلط الدراسة الضوء على إمكانيات DeepDISC لمعالجة مجموعات بيانات أكبر وتؤكد على أهمية جودة بيانات التدريب للتطبيقات الأوسع، مما يؤدي إلى إنشاء كتالوج شامل للانزياح الضوئي لمصادر JADES DR2 الفوتومترية في مجال GOODS-S، مكتملًا بعلامات الجودة لمعالجة القيود المحتملة.
مقدمة
تسلط المقدمة الضوء على أهمية قياسات الانزياح في المسوحات الفلكية، خاصة مع توفر مجموعات بيانات كبيرة من بعثات مثل تلسكوب جيمس ويب الفضائي (JWST) وغيرها (مثل LSST، Euclid). بينما يُعتبر الطيفية المعيار الذهبي لتحديد الانزياح، فإنه غير عملي للعدد الكبير من المجرات الخافتة ذات الانزياح العالي التي يكشف عنها JWST. وبالتالي، يتم استخدام الانزياحات الضوئية (photo-zs) كبديل، على الرغم من أنها أقل دقة بسبب الغموض المتأصل في قياسات اللون والاحتمالات الخاطئة في تحديد أنواع المجرات.
لتحسين دقة تقديرات الانزياح الضوئي، تناقش الورقة منهجيات مختلفة، بما في ذلك تركيب توزيع الطاقة الطيفية (SED) وطرق التعلم الآلي. يعتمد تركيب القوالب على مكتبة من القوالب الطيفية لتقدير الانزياحات، بينما تتعلم طرق التعلم الآلي الربط من الفوتومترية إلى الانزياح باستخدام مجموعات بيانات التدريب. تُظهر التقدمات الأخيرة في التعلم العميق، وخاصة التقنيات المعتمدة على الصور، وعدًا في تحسين تقديرات الانزياح الضوئي من خلال الاستفادة من المعلومات الكاملة للبكسل من صور JWST عالية الدقة. تُعد المقدمة بمثابة تمهيد لتحقيق المؤلفين في إطار عمل DeepDISC، الذي يدمج الكشف عن الكائنات، والتصنيف، وتوقع الانزياح الضوئي مباشرة من تصوير JWST، بهدف معالجة قيود الطرق التقليدية وتعزيز موثوقية تقديرات الانزياح في سياق قدرات JWST.
طرق
يصف قسم الطرق تطوير وتنفيذ مُقدّر الانزياح الضوئي بناءً على إطار عمل تقسيم الكائنات Deep-DISC، والذي هو امتداد للنماذج السابقة التي قدمها Merz وآخرون (2023، 2025). يستخدم Deep-DISC نموذج كشف من مرحلتين يتكون من شبكة هيكلية، وشبكة اقتراح المناطق (RPN)، ورؤوس منطقة الاهتمام (ROI) للكشف عن وتصنيف الكائنات الفلكية في الصور. تحدد RPN مواقع الكائنات المحتملة باستخدام الميزات المستخرجة بواسطة الهيكل، ويتم تقييم هذه المناطق المقترحة مقابل الكائنات الحقيقية باستخدام معيار التقاطع على الاتحاد (IOU). يتم معالجة الاكتشافات الناجحة بواسطة رؤوس ROI لمهام التصنيف والتقسيم.
لتحسين تقدير الانزياح الضوئي، يدمج المؤلفون شبكة كثافة مختلطة (MDN) التي تُعالج الانزياحات كمزيج غاوسي، مما ينتج دالة كثافة الاحتمال (PDF) لكل كائن تم اكتشافه. تأخذ هذه الطريقة في الاعتبار عدم اليقين في قياسات الانزياح وتدمج انقراض غبار مجرة درب التبانة كمدخل إضافي. تتضمن عملية التدريب تقليل دالة خسارة شاملة تدمج مكونات مختلفة، بما في ذلك دقة الصندوق المحيط، والتصنيف، والتقسيم، وتقدير الانزياح. يتم تدريب النموذج على مدى 150 دورة باستخدام الانحدار العشوائي، مع جدول زمني لمعدل التعلم لمنع الإفراط في التكيف. بعد التدريب، ينتج النموذج صناديق محيطة، وأقنعة تقسيم، وتصنيفات، وانزياحات لكل كائن تم اكتشافه، والتي يتم مطابقتها بعد ذلك مع كتالوج JADES DR2 GOODS-S بناءً على حسابات IOU.
مناقشة
في هذا القسم، يناقش المؤلفون المنهجية والنتائج المتعلقة بإطار عمل DeepDISC لتقدير الانزياح الضوئي (photo-z) باستخدام بيانات من مجال JADES DR2 GOODS-S. يستخدمون تسعة مرشحات NIRCam من JWST، مما يضمن مجموعة بيانات موحدة من خلال التركيز فقط على تصوير JWST، على الرغم من الفوائد المحتملة لتضمين بيانات HST CANDELS. يجمع المؤلفون الانزياحات الطيفية من مصادر متعددة، مما يضمن ثقة عالية في البيانات المستخدمة لتدريب واختبار نماذجهم. يقومون بتقسيم بيانات التصوير إلى صور فرعية، مما ينتج مجموعة بيانات تحتوي على 2,145 كائنًا مع انزياحات طيفية موثوقة، والتي يتم تقسيمها بعد ذلك إلى مجموعات تدريب، وتحقق، واختبار.
يستكشف المؤلفون فعالية هياكل الشبكات العصبية المختلفة، مع مقارنة خاصة بين هياكل ResNet وtransformer لإطار عمل DeepDISC. يجدون أنه بينما تُظهر المحولات مثل MViTv2 وعدًا في التكيف مع مجالات جديدة، فإنها تتطلب مجموعات بيانات أكبر لتحقيق الأداء الأمثل. بالمقابل، تُظهر هياكل ResNet، على الرغم من قيودها في التعامل مع البيانات الفلكية المدربة مسبقًا على صور أرضية، أداءً أفضل في أنظمة البيانات الصغيرة. يؤكد المؤلفون على أهمية التدريب المسبق في المجال، باستخدام مجموعة بيانات Galaxies ML، التي تعزز قدرة النماذج على تعميم الميزات ذات الصلة بالمجال المستهدف. في النهاية، ينتج نموذج ResNet50 المدرب مسبقًا على صور المجرات تقديرات أكثر دقة للانزياح الضوئي مقارنةً بنموذج MViTv2، مما يبرز التوازن بين تعقيد النموذج وتوافر البيانات في التطبيقات الفلكية.
DOI: https://doi.org/10.33232/001c.156099
Publication Date: 2026-02-02
Author(s): Grant Merz et al.
Primary Topic: Galaxies: Formation, Evolution, Phenomena
Overview
This section discusses the advancements in photometric redshift (photo-z) estimation techniques, particularly focusing on the application of machine learning methods to high-redshift near-infrared data. While traditional spectral energy distribution (SED) template fitting methods have been widely used, especially in low-redshift optical surveys, the efficacy of image-based algorithms in high-redshift contexts remains largely unexamined. The study evaluates the performance of the Detection, Instance Segmentation and Classification with Deep Learning (DeepDISC) framework on photometric redshift estimation using NIRCam images from the JWST Advanced Deep Extragalactic Survey (JADES).
The findings indicate that DeepDISC generates reliable photo-z estimates and uncertainties that are comparable to those derived from conventional template fitting methods utilizing HST and JWST filters. Notably, DeepDISC demonstrates superior performance, exhibiting lower scatter and fewer outliers when photometric filters are aligned. Additionally, it offers significant efficiency advantages, producing a catalog of 94,000 photo-z estimates in just four minutes on a single NVIDIA A40 GPU, without the need for measured photometry. The study highlights the potential of DeepDISC for processing larger datasets and emphasizes the importance of training data quality for broader applications, culminating in the creation of a comprehensive photo-z catalog for JADES DR2 photometric sources in the GOODS-S field, complete with quality flags to address potential limitations.
Introduction
The introduction highlights the significance of redshift measurements in astronomical surveys, particularly as large datasets from missions like the James Webb Space Telescope (JWST) and others (e.g., LSST, Euclid) become available. While spectroscopy is the gold standard for redshift determination, it is impractical for the vast number of faint, high-redshift galaxies that JWST is uncovering. Consequently, photometric redshifts (photo-zs) are employed as an alternative, although they are less accurate due to inherent ambiguities in color measurements and potential misidentifications of galaxy types.
To enhance the accuracy of photo-z estimations, the paper discusses various methodologies, including template spectral energy distribution (SED) fitting and machine learning approaches. Template fitting relies on a library of spectral templates to estimate redshifts, while machine learning methods learn the mapping from photometry to redshift using training datasets. Recent advancements in deep learning, particularly image-based techniques, show promise in improving photo-z estimates by utilizing the full pixel information from high-resolution JWST images. The introduction sets the stage for the authors’ investigation into the DeepDISC framework, which integrates object detection, classification, and photo-z prediction directly from JWST imaging, aiming to address the limitations of traditional methods and enhance the reliability of redshift estimations in the context of JWST’s capabilities.
Methods
The methods section describes the development and implementation of a photometric redshift estimator based on the Deep-DISC instance segmentation framework, which is an extension of prior models by Merz et al. (2023, 2025). Deep-DISC employs a two-stage detection model comprising a backbone network, a Region Proposal Network (RPN), and Region of Interest (ROI) heads to detect and classify astronomical objects in images. The RPN identifies potential object locations using features extracted by the backbone, and these proposed regions are evaluated against ground truth objects using an intersection-over-union (IOU) criterion. Successful detections are processed by the ROI heads for classification and segmentation tasks.
To enhance photometric redshift estimation, the authors incorporate a Mixture Density Network (MDN) that models redshifts as a Gaussian mixture, producing a probability density function (PDF) for each detected object. This approach accounts for uncertainties in redshift measurements and incorporates Milky Way dust extinction as an additional input. The training process involves minimizing a comprehensive loss function that integrates various components, including bounding box accuracy, classification, segmentation, and redshift estimation. The model is trained over 150 epochs using stochastic gradient descent, with a learning rate schedule to prevent overfitting. Post-training, the model outputs bounding boxes, segmentation masks, classifications, and redshifts for each detected object, which are then matched to the JADES DR2 GOODS-S catalog based on IOU calculations.
Discussion
In this section, the authors discuss the methodology and findings related to the DeepDISC framework for photometric redshift (photo-z) estimation using data from the JADES DR2 GOODS-S field. They utilize nine NIRCam filters from the JWST, ensuring a uniform dataset by focusing solely on JWST imaging, despite the potential benefits of incorporating HST CANDELS data. The authors compile spectroscopic redshifts from multiple sources, ensuring high confidence in the data used for training and testing their models. They partition the imaging data into sub-images, resulting in a dataset of 2,145 objects with reliable spectroscopic redshifts, which is then divided into training, validation, and test sets.
The authors explore the effectiveness of different neural network architectures, specifically comparing ResNet and transformer backbones for the DeepDISC framework. They find that while transformers like MViTv2 show promise in adapting to new domains, they require larger datasets to perform optimally. In contrast, ResNet backbones, despite their limitations in handling astronomical data pre-trained on terrestrial images, demonstrate better performance in small data regimes. The authors emphasize the importance of in-domain pretraining, using the Galaxies ML dataset, which enhances the models’ ability to generalize features relevant to the target domain. Ultimately, the ResNet50 model pretrained on galaxy images yields more accurate photo-z estimates compared to the MViTv2 model, highlighting the trade-offs between model complexity and data availability in astronomical applications.