Euclid preparation: XXIII. Derivation of galaxy physical properties with deep machine learning using mock fluxes and H-band images

Autor: Euclid Collaboration, Bisigello, L., Conselice, C. J., Baes, M., Bolzonella, M., Brescia, M., Cavuoti, S., Cucciati, O., Humphrey, A., Hunt, L. K., Maraston, C., Pozzetti, L., Tortora, C., van Mierlo, S. E., Aghanim, N., Auricchio, N., Baldi, M., Bender, R., Bodendorf, C., Bonino, D., Branchini, E., Brinchmann, J., Camera, S., Capobianco, V., Carbone, C., Carretero, J., Castander, F. J., Castellano, M., Cimatti, A., Congedo, G., Conversi, L., Copin, Y., Corcione, L., Courbin, F., Cropper, M., Da Silva, A., Degaudenzi, H., Douspis, M., Dubath, F., Duncan, C. A. J., Dupac, X., Dusini, S., Farrens, S., Ferriol, S., Frailis, M., Franceschi, E., Franzetti, P., Fumana, M., Garilli, B., Gillard, W., Gillis, B., Giocoli, C., Grazian, A., Grupp, F., Guzzo, L., Haugan, S. V. H., Holmes, W., Hormuth, F., Hornstrup, A., Jahnke, K., Kümmel, M., Kermiche, S., Kiessling, A., Kilbinger, M., Kohley, R., Kunz, M., Kurki-Suonio, H., Ligori, S., Lilje, P. B., Lloro, I., Maiorano, E., Mansutti, O., Marggraf, O., Markovic, K., Marulli, F., Massey, R., Maurogordato, S., Medinaceli, E., Meneghetti, M., Merlin, E., Meylan, G., Moresco, M., Moscardini, L., Munari, E., Niemi, S. M., Padilla, C., Paltani, S., Pasian, F., Pedersen, K., Pettorino, V., Polenta, G., Poncet, M., Popa, L., Raison, F., Renzi, A., Rhodes, J., Riccio, G., Rix, H. -W., Romelli, E., Roncarelli, M., Rosset, C., Rossetti, E., Saglia, R., Sapone, D., Sartoris, B., Schneider, P., Scodeggio, M., Secroun, A., Seidel, G., Sirignano, C., Sirri, G., Stanco, L., Tallada-Crespí, P., Tavagnacco, D., Taylor, A. N., Tereno, I., Toledo-Moreo, R., Torradeflot, F., Tutusaus, I., Valentijn, E. A., Valenziano, L., Vassallo, T., Wang, Y., Zacchei, A., Zamorani, G., Zoubian, J., Andreon, S., Boucaud, S. Bardelli A., Colodro-Conde, C., Di Ferdinando, D., Graciá-Carpio, J., Lindholm, V., Maino, D., Mei, S., Scottez, V., Sureau, F., Tenti, M., Zucca, E., Borlaff, A. S., Ballardini, M., Biviano, A., Bozzo, E., Burigana, C., Cabanac, R., Cappi, A., Carvalho, C. S., Casas, S., Castignani, G., Cooray, A., Coupon, J., Courtois, H. M., Cuby, J., Davini, S., De Lucia, G., Desprez, G., Dole, H., Escartin, J. A., Escoffier, S., Farina, M., Fotopoulou, S., Ganga, K., Garcia-Bellido, J., George, K., Giacomini, F., Gozaliasl, G., Hildebrandt, H., Hook, I., Huertas-Company, M., Kansal, V., Keihanen, E., Kirkpatrick, C. C., Loureiro, A., Macías-Pérez, J. F., Magliocchetti, M., Mainetti, G., Marcin, S., Martinelli, M., Martinet, N., Metcalf, R. B., Monaco, P., Morgante, G., Nadathur, S., Nucita, A. A., Patrizii, L., Peel, A., Potter, D., Pourtsidou, A., Pöntinen, M., Reimberg, P., Sánchez, A. G., Sakr, Z., Schirmer, M., Sefusatti, E., Sereno, M., Stadel, J., Teyssier, R., Valieri, C., Valiviita, J., Viel, M.

Next generation telescopes, like Euclid, Rubin/LSST, and Roman, will open new windows on the Universe, allowing us to infer physical properties for tens of millions of galaxies. Machine learning methods are increasingly becoming the most efficient to

Externí odkaz: http://arxiv.org/abs/2206.14944

Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.

Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.

Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.

Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.