摘要

本文探讨了使用星系演化数据作为基于物理的生成模型的真实性评估标准。作者提出，天体物理数据如星系图像可以用来测试生成模型，除了人类判断外，还可以利用物理驱动的真实性标准。文章构建了条件去噪扩散概率模型（DDPM）和条件变分自编码器（CVAE），并测试它们在生成基于红移（星系年龄）的逼真星系图像的能力。这是首批使用物理驱动指标来评估这些生成模型的研究之一。研究发现，基于人类评估，两种模型生成的星系图像都具有可比性，但物理基础的指标能更好地揭示生成模型的优缺点。总体上，DDPM模型在大多数物理基础指标上表现优于CVAE模型。最终，如果能够证明生成模型能够学习星系演化的物理规律，它们有可能解锁新的天体物理发现。

原理

本文的关键内容在于构建和评估两种生成模型：条件去噪扩散概率模型（DDPM）和条件变分自编码器（CVAE）。DDPM通过逐步添加和移除噪声来生成图像，而CVAE通过编码器将输入数据压缩成潜在空间表示，再通过解码器重构图像。这两种模型都通过红移信息来条件化生成过程，使得生成的星系图像能够反映出星系的年龄和距离。物理基础的评估指标包括星系拟合损失、星系KL损失和红移损失，这些指标能够量化生成图像与真实星系图像在物理属性上的差异。

流程

文章首先收集了大约30万张星系图像的数据集，这些图像的红移范围从0.1到4，对应于15.4亿到136亿年的回溯时间。然后，使用这些数据集训练DDPM和CVAE模型，使它们能够根据给定的红移生成星系图像。接下来，通过一系列物理基础的评估指标来比较这两种模型生成的图像与真实星系图像的差异。例如，使用Source Extractor工具测量星系的物理参数，如等照度区域、椭圆度和Sersic指数，并通过KL散度来比较生成图像与真实图像在这些参数上的分布差异。此外，还使用了一个预训练的卷积神经网络（CNN）来预测生成图像的红移，以此评估模型在红移条件下的表现。

应用

本文提出的方法不仅限于天体物理学领域，还可以扩展到其他需要高维度数据生成和评估的科学领域。通过物理基础的评估指标，可以更准确地评估生成模型在复杂数据上的表现，从而推动科学发现。此外，这种方法还可以帮助改进生成模型，使其更好地理解和重现数据中的深层关系，从而在未来的科学研究中发挥更大的作用。