DOI: https://doi.org/10.3847/1538-4365/ae2eb2
تاريخ النشر: 2026-01-27
المؤلف: Jianzhen Chen وآخرون
الموضوع الرئيسي: المجرات: التكوين، التطور، الظواهر
نظرة عامة
يقدم هذا القسم نهجًا جديدًا لتحديد الانزياحات الضوئية للكويسارات، والتي تعتبر حاسمة للدراسات الكونية ولكن غالبًا ما تعيقها مشكلة تداخل الانزياح واللون. يقدم المؤلفون LSTM-MDNz، وهو نموذج تعلم عميق شامل يدمج الشبكات العصبية ذات الذاكرة الطويلة والقصيرة (LSTM) مع الشبكات ذات كثافة المزيج (MDN). يقوم هذا النموذج بمعالجة تدفقات الضوء الضوئي متعددة النطاقات والأخطاء المرتبطة بها كمدخلات متسلسلة، مما يلغي الحاجة إلى هندسة الميزات اليدوية. كما أنه يقدر الانزياحات الضوئية للكويسارات ويتنبأ بدوال توزيع الاحتمالات (PDFs).
تم تدريب النموذج واختباره على مجموعة بيانات تضم أكثر من 550,000 كويزار تم تأكيده طيفيًا من أربعة مسوحات سماء رئيسية (SDSS، DESI-LS، WISE، وGALEX)، تغطي الانزياحات من 0 إلى 5 عبر 14 نطاقًا. تشير النتائج إلى أن استخدام جميع النطاقات الأربعة عشر يحقق أداءً مثاليًا، حيث ينتج عنه انحراف مطلق وسطي مُنظم (σ NMAD) قدره 0.037 ومعدل شاذ (f_out) قدره 3.5%، مما يمثل تحسينات كبيرة مقارنةً بمجموعة نطاقات SDSS+WISE التقليدية. بالإضافة إلى ذلك، تُظهر التحليلات باستخدام تحويل التكامل الاحتمالي (PIT) ودرجة الاحتمالية المرتبة المستمرة (CRPS) أن PDFs المتوقعة تتطابق بشكل وثيق مع توزيع الانزياح الفعلي. تؤكد تجارب إزالة النطاقات على الأهمية الحاسمة للبيانات فوق البنفسجية وتحت الحمراء في التخفيف من تداخل الألوان وتقليل التحيز النظامي، مما يبرز إمكانيات دمج النطاقات المتعددة لتحسين دقة الانزياحات الضوئية للكويسارات في المسوحات الفلكية المستقبلية.
الطرق
في هذا القسم، يقدم المؤلفون LSTM-MDNz، وهو نموذج مبتكر للتعلم العميق مصمم لتقدير الانزياحات الضوئية للكويسارات. يجمع هذا النموذج بشكل فريد بين الشبكات العصبية ذات الذاكرة الطويلة والقصيرة (LSTM) مع الشبكات ذات كثافة المزيج (MDNs)، مستخدمًا فقط تدفقات الضوء الضوئي متعددة النطاقات والأخطاء المرتبطة بها كبيانات مدخلة. تم تصميم LSTM-MDNz لتقديم تقديرات نقطية عالية الدقة للانزياحات الضوئية ودوال كثافة الاحتمالات الكاملة (PDFs)، مما يعزز دقة وموثوقية تقديرات الانزياح.
يتناول قسم المنهجية المكونات الأساسية لشبكات LSTM العصبية المتكررة وMDNs، موفرًا نظرة شاملة على الهيكل. بالإضافة إلى ذلك، يوضح التصميم العام لشبكة LSTM-MDNz ويحدد إجراءات التدريب المستخدمة لتحسين أدائها. يهدف هذا النهج المنظم إلى ضمان أن النموذج يلتقط بشكل فعال التعقيدات الكامنة في بيانات الضوء الضوئي للكويسارات.
النتائج
في هذا القسم، يقدم المؤلفون عملية التدريب والتقييم لنموذج LSTM-MDNz، مع التركيز على فعاليته في تقدير الانزياحات الضوئية من عينة الكويزار. تم تقسيم مجموعة البيانات إلى ثلاثة مجموعات فرعية: التدريب (70%)، التحقق (15%)، والاختبار (15%). تستخدم مرحلة التدريب مجموعة التدريب فقط، بينما تُستخدم مجموعة التحقق لمراقبة أداء النموذج في الوقت الفعلي. لتخفيف الإفراط في التكيف، يتم تنفيذ التوقف المبكر، مما يوقف التدريب إذا لم يكن هناك تحسين في خسارة التحقق على مدى 20 حقبة متتالية. تُجرى التقييمات النهائية لأداء النموذج فقط على مجموعة الاختبار، مما يضمن تقييمًا غير متحيز لدقته وموثوقيته.
المناقشة
في هذه الدراسة، استخدمنا كتالوج الكويزارات من الإصدار السادس عشر للبيانات من مسح سلوين الرقمي للسماء (SDSS DR16Q)، والذي يتضمن 750,414 كويزار مؤكد مع بيانات ضوئية متعددة النطاقات شاملة. من خلال المطابقة المتقاطعة مع بيانات الإصدار التاسع من مسوحات تصوير DESI Legacy (DESI-LS DR9)، قمنا بتحسين مجموعة بياناتنا مع قياسات بصرية إضافية، مما أدى إلى عينة نهائية من 558,111 كويزار مع فوتومترية كاملة عبر 14 نطاقًا. تتيح هذه المجموعة متعددة الأطوال الموجية تحليلًا قويًا لتوزيعات الطاقة الطيفية للكويسارات، مع التركيز بشكل خاص على تقدير الانزياح للكويسارات ذات الانزياحات تصل إلى $z \leq 5$.
لتحقيق توقعات دقيقة للانزياح، طورنا نموذجًا هجينًا، LSTM-MDNz، الذي يدمج الشبكات العصبية ذات الذاكرة الطويلة والقصيرة (LSTM) مع الشبكات ذات كثافة المزيج (MDN). تلتقط مكونة LSTM الاعتماديات الزمنية المعقدة في التسلسلات الضوئية، بينما تنتج MDN توزيعًا احتماليًا كاملاً للانزياح، مما يسمح بتقدير فعال لعدم اليقين. أظهر نموذجنا مقاييس أداء قوية، محققًا انحراف مطلق وسطي مُنظم ($\sigma_{NMAD}$) قدره 0.037 ونسبة شاذة كارثية ($f_{out}$) قدرها 3.4% على مجموعة الاختبار، مما يشير إلى دقة وموثوقية عالية. تم التحقق من مخرجات النموذج الاحتمالية من خلال درجات الاحتمالية المرتبة المستمرة (CRPS) وتحويلات التكامل الاحتمالي (PIT)، مما يؤكد قدرته على إنتاج تقديرات عدم اليقين المعايرة بشكل جيد في توقعات الانزياح. بشكل عام، يمثل نموذج LSTM-MDNz تقدمًا كبيرًا في تقدير الانزياحات الضوئية، مستفيدًا من بيانات النطاقات المتعددة لتعزيز كل من الدقة وقابلية التفسير.
DOI: https://doi.org/10.3847/1538-4365/ae2eb2
Publication Date: 2026-01-27
Author(s): Jianzhen Chen et al.
Primary Topic: Galaxies: Formation, Evolution, Phenomena
Overview
The section presents a novel approach to determining quasar photometric redshifts, which are crucial for cosmological studies but often hindered by redshift-color degeneracy. The authors introduce LSTM-MDNz, an end-to-end deep learning model that integrates long short-term memory networks (LSTM) with mixture density networks (MDN). This model processes multi-band photometric fluxes and their associated errors as sequential inputs, thereby eliminating the need for manual feature engineering. It simultaneously estimates quasar redshifts and predicts probability distribution functions (PDFs).
The model is trained and tested on a dataset comprising over 550,000 spectroscopically confirmed quasars from four major sky surveys (SDSS, DESI-LS, WISE, and GALEX), covering redshifts from 0 to 5 across 14 bands. Results indicate that utilizing all 14 bands achieves optimal performance, yielding a normalized median absolute deviation (σ NMAD) of 0.037 and an outlier rate (f_out) of 3.5%, which represent significant improvements over the traditional SDSS+WISE band set. Additionally, analyses using the probability integral transform (PIT) and continuous ranked probability score (CRPS) demonstrate that the predicted PDFs closely match the actual redshift distribution. Band-ablation experiments further emphasize the critical importance of ultraviolet and infrared data in mitigating color degeneracy and reducing systematic bias, underscoring the potential of multi-band fusion for enhancing quasar photo-z accuracy in future astronomical surveys.
Methods
In this section, the authors present LSTM-MDNz, an innovative end-to-end deep learning model tailored for the estimation of quasar photometric redshifts. This model uniquely combines Long Short-Term Memory (LSTM) networks with Mixture Density Networks (MDNs), utilizing only multi-band photometric fluxes and their associated errors as input data. LSTM-MDNz is designed to deliver both high-precision point estimates of photometric redshifts and complete probability density functions (PDFs), enhancing the accuracy and reliability of redshift estimations.
The methodology section elaborates on the foundational components of LSTM recurrent neural networks and MDNs, providing a comprehensive overview of the architecture. Additionally, it details the overall design of the LSTM-MDNz network and outlines the training procedures employed to optimize its performance. This structured approach aims to ensure that the model effectively captures the complexities inherent in quasar photometric data.
Results
In this section, the authors present the training and evaluation process of the LSTM-MDNz model, focusing on its effectiveness in estimating photometric redshifts from a quasar sample. The dataset is divided into three subsets: training (70%), validation (15%), and test (15%). The training phase utilizes only the training set, while the validation set serves for monitoring the model’s performance in real-time. To mitigate overfitting, early stopping is implemented, halting training if there is no improvement in validation loss over 20 consecutive epochs. Final evaluations of the model’s performance are conducted solely on the test set, ensuring an unbiased assessment of its accuracy and reliability.
Discussion
In this study, we utilized the 16th Data Release Quasar Catalog from the Sloan Digital Sky Survey (SDSS DR16Q), which includes 750,414 confirmed quasars with comprehensive multi-band photometric data. By cross-matching with the DESI Legacy Imaging Surveys Data Release 9 (DESI-LS DR9), we enhanced our dataset with additional optical measurements, resulting in a final sample of 558,111 quasars with complete photometry across 14 bands. This multi-wavelength dataset enables a robust analysis of quasar spectral energy distributions, particularly focusing on redshift estimation for quasars with redshifts up to $z \leq 5$.
To achieve accurate redshift predictions, we developed a hybrid model, the LSTM-MDNz, which integrates Long Short-Term Memory (LSTM) networks with Mixture Density Networks (MDN). The LSTM component captures complex temporal dependencies in the photometric sequences, while the MDN outputs a full probability distribution for the redshift, allowing for effective uncertainty quantification. Our model demonstrated strong performance metrics, achieving a normalized median absolute deviation ($\sigma_{NMAD}$) of 0.037 and a catastrophic outlier fraction ($f_{out}$) of 3.4% on the test set, indicating high accuracy and reliability. The model’s probabilistic outputs were validated through continuous ranked probability scores (CRPS) and probability integral transforms (PIT), confirming its capability to produce well-calibrated uncertainty estimates in redshift predictions. Overall, the LSTM-MDNz model represents a significant advancement in photometric redshift estimation, leveraging multi-band data to enhance both accuracy and interpretability.