ترجمه فارسی مقاله ANNZ+: یک الگوریتم تخمین جابجایی به قرمز فتومتریک پیشرفته با برنامه های کاربردی در بررسی PAU

چکیده

ANNZ is a fast and simple algorithm which utilises artificial neural networks (ANNs), it was known as one of the pioneers of machine learning approaches to photometric redshift estimation decades ago. We enhanced the algorithm by introducing new activation functions like tanh, softplus, SiLU, Mish and ReLU variants; its new performance is then vigorously tested on legacy samples like the Luminous Red Galaxy (LRG) and Stripe-82 samples from SDSS, as well as modern galaxy samples like the Physics of the Accelerating Universe Survey (PAUS). This work focuses on testing the robustness of activation functions with respect to the choice of ANN architectures, particularly on its depth and width, in the context of galaxy photometric redshift estimation. Our upgraded algorithm, which we named ANNZ+, shows that the tanh and Leaky ReLU activation functions provide more consistent and stable results across deeper and wider architectures with > 1 per cent improvement in root-mean-square error ($σ_{\textrm{RMS}}$) and 68th percentile error ($σ_{68}$) when tested on SDSS data sets. While assessing its capabilities in handling high dimensional inputs, we achieved an improvement of 11 per cent in $σ_{\textrm{RMS}}$ and 6 per cent in $σ_{68}$ with the tanh activation function when tested on the 40-narrowband PAUS dataset; it even outperformed ANNZ2, its supposed successor, by 44 per cent in $σ_{\textrm{RMS}}$. This justifies the effort to upgrade the 20-year-old ANNZ, allowing it to remain viable and competitive within the photo-z community today. The updated algorithm ANNZ+ is publicly available at https://github.com/imdadmpt/ANNzPlus.

چکیده به فارسی (ترجمه ماشینی)

ANNZ یک الگوریتم سریع و ساده است که از شبکه های عصبی مصنوعی (ANNS) استفاده می کند ، به عنوان یکی از پیشگامان رویکردهای یادگیری ماشین در تخمین مجدد فوتومتری دهه ها پیش شناخته می شد.ما با معرفی توابع فعال سازی جدید مانند انواع مختلف TANH ، SOFTPLUS ، SILU ، MISH و RELU ، الگوریتم را افزایش دادیم.عملکرد جدید آن پس از آن به طور جدی بر روی نمونه های میراثی مانند گلکسی قرمز درخشان (LRG) و نمونه های Stripe-82 از SDS و همچنین نمونه های کهکشان مدرن مانند فیزیک بررسی شتاب دهنده جهان (PAUS) آزمایش می شود.این کار بر آزمایش استحکام توابع فعال سازی با توجه به انتخاب معماری های ANN ، به ویژه در عمق و عرض آن ، در زمینه تخمین redshift فوتومتری کهکشان متمرکز شده است.الگوریتم به روز شده ما ، که ما نام آنز+را نامگذاری کردیم ، نشان می دهد که توابع فعال سازی RELU TANH و Leaky نتایج سازگار تر و پایدارتر را در معماری های عمیق تر و گسترده تر با> 1 درصد بهبود در خطای مربع ریشه ($ σ _ {\ textrm {RMS ارائه می دهند.} $) و خطای صدک 68 ($ σ_ {68} $) هنگام آزمایش در مجموعه داده های SDSS.در حالی که توانایی های آن را در رسیدگی به ورودی های ابعادی بالا ارزیابی می کنیم ، ما 11 درصد در $ σ _ {\ textrm {rms}}} $ و 6 درصد در $ σ_ {68} $ با عملکرد فعال سازی TANH هنگام آزمایش روی 40 به دست آوردیم.مجموعه داده PAUS -NARROWBAND ؛این حتی از ANNZ2 ، جانشین فرض شده خود ، 44 درصد در $ σ _ {\ textrm {rms}} $ بهتر عمل کرد.این امر تلاش برای به روزرسانی ANNZ 20 ساله را توجیه می کند ، و به آن اجازه می دهد تا در جامعه Photo-Z امروز زنده و رقابتی باقی بماند.الگوریتم به روز شده Annz+ در https://github.com/imdadmpt/annzplus به صورت عمومی در دسترس است.