Deep Learning for galaxy red shift estimation from photometry measurements

Abstract

[ES] La estimación del desplazamiento al rojo fotométrico se ha convertido en un tema importante en cosmología, debido a la gran necesidad de estimar distancias de una gran cantidad de fuentes para mejorar nuestro conocimiento sobre el Universo. Los desplazamientos al rojo espectroscópicos suelen ser difíciles de estimar debido a la falta de datos disponibles y su alto costo de adquisición. Los desplazamientos al rojo también se pueden estimar a partir de mediciones fotométricas que pierden algo de precisión. La precisión de las estimaciones fotométricas es fundamental para el éxito de los estudios de galaxias cosmológicas actuales y futuros.

Durante las últimas décadas, las técnicas de estimación de desplazamiento al rojo fotométrico han sido ampliamente investigadas. En este trabajo, revisamos los métodos existentes basados en el ajuste de plantillas, el aprendizaje automático y los enfoques híbridos. Además, presentamos una nueva estrategia basada en un aprendizaje profundo sin supervisión.

[EN] Photometric redshift estimation has become a major subject in cosmology, due to the great need of estimating distances of a huge number of sources in order to improve our knowledge about our Universe. Spectroscopic redshifts are typically hard to be estimate due to the lack of available data and its high cost for acquisition. Redshifts can also be estimated from photometric measurements losing some precision. The accuracy of photometric estimates is fundamental for the success of current and forthcoming cosmological galaxy surveys.

During the last decades, photometric redshift estimation techniques have been largely investigated in the literature. In this work, we review existing methods based on template-fitting, machine learning and hybrid approaches. Moreover, we present a new strategy based on deep unsupervised learning.