# Autoencoding Galaxy Spectra I: Architecture

**Authors:** Peter Melchior, Yan Liang, ChangHoon Hahn, Andy Goulding  
**arXiv:** [2211.07890](https://arxiv.org/abs/2211.07890)  
**Date:** 2022-11-15  
**Summary page:** https://www.summarizepaper.com/fr/paper/2211.07890v1/

## Key points

- L'architecture de réseau neuronal SPENDER est présentée comme un bloc de construction central pour analyser et représenter des spectres de galaxies.
- Il combine un encodeur convolutionnel qui prend en compte jusqu'à 256 caractéristiques spectrales et les comprime dans un espace latent à faible dimension avec un décodeur qui génère une représentation en rest-frame dont la plage spectrale et la résolution surpassent celles de l'instrument d'observation.
- Le décodeur est suivi par des transformations explicites de redshift, d'échantillonnage et de convolution pour correspondre aux observations.
- L'architecture peut traiter des spectres à des décalages vers le rouge arbitraires et est robuste aux anomalies telles que les résidus de soustraction du ciel, ce qui permet aux spectres d'une grande enquête d'être ingérés directement sans prétraitement supplémentaire.
- Les performances du SPENDER sont montrées en le formant sur l’ensemble des échantillons spectroscopiques SDSS-II; sa capacité à créer des reconstructions hautement précises avec une réduction substantielle du bruit est démontrée; une déconvolution et un sur-échantillonnage pour un modèle super-résolution qui résout le doublet [OII] sont effectués; une nouvelle méthode pour interpréter les poids d’attention comme des proxies pour les caractéristiques spectrales importantes est introduite; et les principaux degrés de liberté représentés dans l’espace latent sont inférés.
- Une discussion sur les améliorations futures et les applications possibles conclut l'article.

## Summary

Nous présentons l'architecture de réseau neuronal SPENDER comme un bloc de construction différentiable central pour analyser et représenter des spectres de galaxies. Il combine un encodeur convolutionnel qui prend en compte jusqu'à 256 caractéristiques spectrales et les comprime dans un espace latent à faible dimension avec un décodeur qui génère une représentation en rest-frame dont la plage spectrale et la résolution surpassent celles de l'instrument d'observation. Le décodeur est suivi par des transformations explicites de redshift, d'échantillonnage et de convolution pour correspondre aux observations. L'architecture peut traiter des spectres à des décalages vers le rouge arbitraires et est robuste aux anomalies telles que les résidus de soustraction du ciel, ce qui permet aux spectres d'une grande enquête d'être ingérés directement sans prétraitement supplémentaire. Nous montrons les performances du SPENDER en le formant sur l’ensemble des échantillons spectroscopiques SDSS-II; nous montrons sa capacité à créer des reconstructions hautement précises avec une réduction substantielle du bruit; nous effectuons une déconvolution et un sur-échantillonnage pour un modèle super-résolution qui résout le doublet [OII]; nous introduisons une nouvelle méthode pour interpréter les poids d’attention comme des proxies pour les caractéristiques spectrales importantes; et nous inférions les principaux degrés de liberté représentés dans l’espace latent. Nous concluons par une discussion sur les améliorations futures et les applications possibles.