Belgif Linked Data Fragments server

Matches in Data.gov.be for { <http://data.gov.be/.well-known/genid/dataset/uliege/doi-10-58119/ULG/WZFXYD> ?p ?o ?g. }

• WZFXYD accessRights PUBLIC @default.
• WZFXYD bibliographicCitation "Gomer, Matthew R.; Ertl, Sebastian; Biggio, Luca; Wang, Hang; Galan, Aymeric; Van de Vyvere, Lyne; Sluse, Dominique; Vernardos, Georgios; Suyu, Sherry H., 2026, "Weights and training data for SKiNN (Stellar Kinematics Neural Network)", https://doi.org/10.58119/ULG/WZFXYD, ULiège Open Data Repository, V1" @default.
• WZFXYD created "2026-01-07T10:55:25Z" @default.
• WZFXYD creator 5e74cee64d965dc6730a8f264bc9b74824c97d6b @default.
• WZFXYD creator 0000-0001-5562-3879 @default.
• WZFXYD creator 0000-0001-5568-6052 @default.
• WZFXYD creator 0000-0001-6116-2095 @default.
• WZFXYD creator 0000-0001-8554-7248 @default.
• WZFXYD creator 0000-0002-0585-4203 @default.
• WZFXYD creator 0000-0002-1293-5503 @default.
• WZFXYD creator 0000-0002-5085-2143 @default.
• WZFXYD creator 0000-0003-2547-9815 @default.
• WZFXYD description "Gewichte und Trainingsdaten für das Stellar Kinematics Neural Network (SKiNN). Die SKiNN-Software ist unter https://github.com/mattgomer/SKiNN zu finden und auch auf Software Heritage archiviert. Die vollständige Nutzung von SKiNN wird im Artikel Accelerating galaxy dynamical modeling using a neuronal network for joint lensing and kinematic analysis beschrieben. Matthew R. Gomer, Sebastian Ertl, Luca Biggio, Han Wang, Aymeric Galan, Lyne Van de Vyvere, Dominique Sluse, Georgios Vernardos und Sherry H. Suyu A&A 679 A59 (2023) DOI: 10.1051/0004-6361/202347507. Hier ist die Zusammenfassung der Arbeit, die den wissenschaftlichen Kontext erklärt: Starke Gravitationslinsen sind ein mächtiges Werkzeug, um Beschränkungen für Galaxienmassenverteilungen und kosmologische Parameter wie die Hubble-Konstante H0 bereitzustellen. Dennoch ist die Schlussfolgerung solcher Parameter aus Bildern von Linsensystemen nicht trivial, da Parameterdegenerationen die Genauigkeit der gemessenen Linsenmasse und der kosmologischen Ergebnisse einschränken können. Externe Informationen über die Masse der Linse in Form von kinematischen Messungen sind erforderlich, um eine präzise und unvoreingenommene Schlussfolgerung zu gewährleisten. Traditionell wurden solche kinematischen Informationen in die Inferenz nach der Bildmodellierung aufgenommen, wobei kugelförmige Jeans-Approximationen verwendet wurden, um die gemessene Geschwindigkeitsdispersion, die in eine Blende integriert ist, anzupassen. Da jedoch räumlich aufgelöste kinematische Messungen über IFU-Daten verfügbar werden, ist eine ausgefeiltere dynamische Modellierung erforderlich. Eine solche kinematische Modellierung ist teuer und stellt einen rechnerischen Engpass dar, den wir mit unserem Stellar Kinematics Neural Network (SKiNN) überwinden wollen. SKiNN emuliert die achsensymmetrische Modellierung mithilfe eines neuronalen Netzwerks und synthetisiert aus einem gegebenen Massenmodell schnell eine kinematische Karte, die mit den Beobachtungen verglichen werden kann, um eine Wahrscheinlichkeit zu bewerten. Mit einer gemeinsamen Linse plus kinematischem Rahmen begrenzt diese Wahrscheinlichkeit das Massenmodell gleichzeitig mit den bildgebenden Daten. Wir zeigen, dass die Emulation einer kinematischen Karte durch SKiNN wesentlich genauer ist, als gemessen werden kann (in fast allen Fällen besser als 1 %). Die Verwendung von SKiNN beschleunigt die Wahrscheinlichkeitsbewertung um den Faktor ~200. Diese Beschleunigung macht die dynamische Modellierung wirtschaftlich und ermöglicht es Linsenmodellierern, die moderne Datenqualität in der JWST-Ära effektiv zu nutzen. Genauer gesagt enthält dieser Datensatz die in Abschnitt 3.1 des Papiers beschriebenen Trainingsdaten und die daraus resultierenden Gewichte zur Verwendung des SKiNN nach dem Training. Die Trainingsdaten (4000 Paare) bestehen aus einer parameter.npy-Datei, d. h. aus Parametersätzen, die die PEMD-Masse, das elliptische sersische Licht und die Kinematikparameter beschreiben, und einer vrms_maps.npy-Datei, die die entsprechende kinematische Karte enthält, die mit der JAM-Software und der MGE-Methode erstellt wurde. Die Gewichte sind eine einzelne Datei weights.ckpt, die wie im Setup von SKiNN beschrieben importiert werden muss, um die Erstellung einer kinematischen Karte aus einer Reihe von Parametern zu ermöglichen, die die Galaxieneigenschaften beschreiben. Anm.: Die Parameter sind wie folgt geordnet: q_mass (Achsenverhältnis des Massenprofils), q_light (Achsenverhältnis des Lichtprofils), theta_E (Einstein-Radius), n_sersic (Serischer Index des Lichts), R_sersic (Serischer Radius des Lichts), r_core (Kernradius auf 0,08 Bogensekunde eingestellt, siehe Papierabschnitt 3.1 für weitere Informationen), gamma (Massenprofilneigung), b_ani (Anisotropie), i (Inklination)." @default.
• WZFXYD description "Gewichten en trainingsgegevens voor het Stellar Kinematics Neural Network (SKiNN). De SKiNN-software is te vinden op https://github.com/mattgomer/SKiNN en is ook gearchiveerd op Software Heritage Het volledige gebruik van SKiNN wordt beschreven in het artikel Accelerating galaxy dynamical modeling using a neural network for joint lensing and kinematic analyses Matthew R. Gomer, Sebastian Ertl, Luca Biggio, Han Wang, Aymeric Galan, Lyne Van de Vyvere, Dominique Sluse, Georgios Vernardos, Sherry H. Suyu A&A 679 A59 (2023) DOI: 10.1051/0004-6361/202347507. Hier is de samenvatting van het artikel waarin de wetenschappelijke context wordt uitgelegd: Sterke zwaartekrachtlenzen zijn een krachtig hulpmiddel om beperkingen op te leggen aan de massaverdeling van sterrenstelsels en kosmologische parameters, zoals de Hubble-constante, H0. Niettemin is de gevolgtrekking van dergelijke parameters uit beelden van lenssystemen niet triviaal, aangezien parameterdegeneraties de precisie in de gemeten lensmassa en kosmologische resultaten kunnen beperken. Externe informatie over de massa van de lens, in de vorm van kinematische metingen, is nodig om een nauwkeurige en onbevooroordeelde gevolgtrekking te garanderen. Traditioneel is dergelijke kinematische informatie opgenomen in de gevolgtrekking na de beeldmodellering, met behulp van sferische Jeans-benaderingen om overeen te komen met de gemeten snelheidsdispersie geïntegreerd in een diafragma. Naarmate ruimtelijk opgeloste kinematische metingen echter beschikbaar komen via IFU-gegevens, is meer geavanceerde dynamische modellering noodzakelijk. Dergelijke kinematische modellering is duur en vormt een computationeel knelpunt dat we willen overwinnen met ons Stellar Kinematics Neural Network (SKiNN). SKiNN emuleert asymmetrische modellering met behulp van een neuraal netwerk, waarbij snel vanuit een bepaald massamodel een kinematische kaart wordt gesynthetiseerd die kan worden vergeleken met de waarnemingen om een waarschijnlijkheid te evalueren. Met een gezamenlijke lensing plus kinematisch kader beperkt deze waarschijnlijkheid het massamodel op hetzelfde moment als de beeldvormingsgegevens. We tonen aan dat de emulatie van een kinematische kaart door SKiNN veel nauwkeuriger is dan kan worden gemeten (in bijna alle gevallen beter dan 1 %). Het gebruik van SKiNN versnelt de waarschijnlijkheidsevaluatie met een factor ~200. Deze versnelling maakt dynamisch modelleren economisch en stelt lensmodelbouwers in staat om effectief gebruik te maken van moderne gegevenskwaliteit in het JWST-tijdperk. Meer in het bijzonder bevat deze dataset de trainingsgegevens beschreven in paragraaf 3.1 van de paper en de resulterende gewichten om de SKiNN na de training te gebruiken. De trainingsgegevens (4000 paren) bestaan uit een parameters.npy-bestand, dat wil zeggen reeksen parameters - die de PEMD-massa, het elliptciale sersische licht en de kinematicaparameters beschrijven - en een vrms_maps.npy-bestand met de bijbehorende kinematische kaart - gemaakt met behulp van de JAM-software en de MGE-methode. De gewichten is een enkel bestand weights.ckpt dat moet worden geïmporteerd zoals beschreven in de setup van SKiNN om het maken van een kinematische kaart mogelijk te maken op basis van een reeks parameters die de eigenschappen van het sterrenstelsel beschrijven. NB: de parameters zijn als volgt gerangschikt: q_mass (asverhouding van het massaprofiel), q_light (asverhouding van het lichtprofiel), theta_E (Einstein-straal), n_sersic (Sersic-index van het licht), R_sersic (Sersic-straal van het licht), r_core (kernstraal ingesteld op 0,08 arcsec, zie paper section 3.1 voor meer informatie), gamma (massaprofielhelling), b_ani (anisotropie), i (helling)." @default.
• WZFXYD description "Poids et données d'entraînement pour le Stellar Kinematics Neural Network (SKiNN). Le logiciel SKiNN est disponible à l’adresse https://github.com/mattgomer/SKiNN et est également archivé dans Software Heritage. L'utilisation complète de SKiNN est décrite dans l'article Accélérer la modélisation dynamique des galaxies à l'aide d'un réseau neuronal pour la lentille articulaire et les analyses cinématiques. Matthew R. Gomer, Sebastian Ertl, Luca Biggio, Han Wang, Aymeric Galan, Lyne Van de Vyvere, Dominique Sluse, Georgios Vernardos et Sherry H. Suyu. A&A 679 A59 (2023) DOI : 10.1051/0004-6361/202347507. Voici le résumé de l'article expliquant le contexte scientifique: La lentille gravitationnelle forte est un outil puissant pour fournir des contraintes sur les distributions de masse des galaxies et les paramètres cosmologiques, tels que la constante de Hubble, H0. Néanmoins, l'inférence de tels paramètres à partir d'images de systèmes de lentilles n'est pas triviale car les dégénérescences de paramètres peuvent limiter la précision de la masse de lentille mesurée et des résultats cosmologiques. Des informations externes sur la masse de la lentille, sous la forme de mesures cinématiques, sont nécessaires pour assurer une inférence précise et impartiale. Traditionnellement, de telles informations cinématiques ont été incluses dans l'inférence après la modélisation de l'image, en utilisant des approximations de Jeans sphériques pour correspondre à la dispersion de vitesse mesurée intégrée dans une ouverture. Cependant, à mesure que les mesures cinématiques spatialement résolues deviennent disponibles via les données IFU, une modélisation dynamique plus sophistiquée est nécessaire. Une telle modélisation cinématique est coûteuse et constitue un goulot d'étranglement informatique que nous visons à surmonter avec notre réseau neuronal de cinématique stellaire (SKiNN). SKiNN émule la modélisation axisymétrique à l'aide d'un réseau neuronal, synthétisant rapidement à partir d'un modèle de masse donné une carte cinématique qui peut être comparée aux observations pour évaluer une vraisemblance. Avec une lentille commune et un cadre cinématique, cette probabilité contraint le modèle de masse en même temps que les données d'imagerie. Nous montrons que l’émulation par SKiNN d’une carte cinématique est précise avec une précision considérablement meilleure que celle qui peut être mesurée (meilleure que 1 % dans presque tous les cas). L'utilisation de SKiNN accélère l'évaluation de la vraisemblance d'un facteur d'environ 200. Cette accélération rend la modélisation dynamique économique et permet aux modélisateurs d'objectifs d'utiliser efficacement la qualité des données modernes à l'ère JWST. Plus précisément, cet ensemble de données contient les données d'entraînement décrites à la section 3.1 du document et les poids résultants pour utiliser le SKiNN après l'entraînement. Les données d'entraînement (4000 paires) consistent en un fichier parameters.npy, c'est-à-dire des ensembles de paramètres - décrivant la masse PEMD, la lumière sersique elliptciale et les paramètres cinématiques - et un fichier vrms_maps.npy contenant la carte cinématique correspondante - créés à l'aide du logiciel JAM et de la méthode MGE. Les poids sont un fichier unique weights.ckpt qui doit être importé comme décrit dans la configuration de SKiNN pour permettre la création d'une carte cinématique à partir d'un ensemble de paramètres décrivant les propriétés de la galaxie. NB : les paramètres sont classés comme suit: q_mass (rapport d’axe du profil de masse), q_light (rapport d’axe du profil de lumière), theta_E (rayon d’Einstein), n_sersic (indice de sersic de la lumière), R_sersic (rayon de sersic de la lumière), r_core (rayon de base fixé à 0,08 arcsec, voir la section 3.1 du document pour plus d’informations), gamma (pente du profil de masse), b_ani (anisotropie), i (inclinaison)." @default.
• WZFXYD description "Weights and training data for the Stellar Kinematics Neural Network (SKiNN). The SKiNN software can be found at https://github.com/mattgomer/SKiNN and is also archived on Software Heritage The full usage of SKiNN is described in the article Accelerating galaxy dynamical modeling using a neural network for joint lensing and kinematic analyses Matthew R. Gomer, Sebastian Ertl, Luca Biggio, Han Wang, Aymeric Galan, Lyne Van de Vyvere, Dominique Sluse, Georgios Vernardos, Sherry H. Suyu A&A 679 A59 (2023) DOI: 10.1051/0004-6361/202347507. Here is the abstract of the paper explaining the scientific context : Strong gravitational lensing is a powerful tool to provide constraints on galaxy mass distributions and cosmological parameters, such as the Hubble constant, H0. Nevertheless, inference of such parameters from images of lensing systems is not trivial as parameter degeneracies can limit the precision in the measured lens mass and cosmological results. External information on the mass of the lens, in the form of kinematic measurements, is needed to ensure a precise and unbiased inference. Traditionally, such kinematic information has been included in the inference after the image modeling, using spherical Jeans approximations to match the measured velocity dispersion integrated within an aperture. However, as spatially resolved kinematic measurements become available via IFU data, more sophisticated dynamical modeling is necessary. Such kinematic modeling is expensive, and constitutes a computational bottleneck that we aim to overcome with our Stellar Kinematics Neural Network (SKiNN). SKiNN emulates axisymmetric modeling using a neural network, quickly synthesizing from a given mass model a kinematic map that can be compared to the observations to evaluate a likelihood. With a joint lensing plus kinematic framework, this likelihood constrains the mass model at the same time as the imaging data. We show that SKiNN’s emulation of a kinematic map is accurate to a considerably better precision than can be measured (better than 1% in almost all cases). Using SKiNN speeds up the likelihood evaluation by a factor of ~200. This speedup makes dynamical modeling economical, and enables lens modelers to make effective use of modern data quality in the JWST era. More precisely, this dataset contains the training data described in section 3.1 of the paper and the resulting weights to use the SKiNN after training. The training data (4000 pairs) consist a parameters.npy file, that is sets of parameters - describing the PEMD mass, the elliptcial sersic light and the kinematics parameters - and a vrms_maps.npy file containing the corresponding kinematic map - created using the JAM software and the MGE method. The weights is a single file weights.ckpt which needs to be imported as described in the setup of SKiNN to enable the creation of a kinematic map from a set of parameters describing the galaxy properties. NB: the parameters are ordered as following: q_mass (axis ratio of the mass profile), q_light (axis ratio of the light profile), theta_E (Einstein radius), n_sersic (Sersic index of the light), R_sersic (Sersic radius of the light), r_core (Core radius set to 0.08 arcsec, see paper section 3.1 for more information), gamma (mass profile slope), b_ani (anisotropy), i (inclination)." @default.
• WZFXYD identifier "doi:10.58119/ULG/WZFXYD" @default.
• WZFXYD issued "2026-01-14T13:08:05Z" @default.
• WZFXYD language ENG @default.
• WZFXYD modified "2026-01-14T13:08:05Z" @default.
• WZFXYD publisher 0807970507 @default.
• WZFXYD subject "Astronomy and Astrophysics" @default.
• WZFXYD subject "Computer and Information Science" @default.
• WZFXYD title "Gewichte und Trainingsdaten für SKiNN (Stellar Kinematics Neural Network)" @default.
• WZFXYD title "Gewichten en trainingsgegevens voor SKiNN (Stellar Kinematics Neural Network)" @default.
• WZFXYD title "Poids et données d'entraînement pour SKiNN (Stellar Kinematics Neural Network)" @default.
• WZFXYD title "Weights and training data for SKiNN (Stellar Kinematics Neural Network)" @default.
• WZFXYD citedBy genid68782 @default.
• WZFXYD type Dataset @default.
• WZFXYD contactPoint genid68790 @default.
• WZFXYD distribution 19b99098df1-fed9485cc3b7 @default.
• WZFXYD distribution 19b9949ccbc-674f6d26a585 @default.
• WZFXYD distribution 19b9ccd5e32-5a6a4aa72019 @default.
• WZFXYD keyword "cosmological parameters" @default.
• WZFXYD keyword "galaxies : kinematics and dynamics" @default.
• WZFXYD keyword "gravitational lensing : strong" @default.
• WZFXYD keyword "methods : numerical" @default.
• WZFXYD landingPage WZFXYD @default.
• WZFXYD theme TECH @default.
• WZFXYD version "1" @default.
• WZFXYD isFundedBy genid68783 @default.
• WZFXYD isFundedBy genid68784 @default.
• WZFXYD isFundedBy genid68785 @default.
• WZFXYD isFundedBy genid68786 @default.
• WZFXYD isFundedBy genid68787 @default.
• WZFXYD isFundedBy genid68788 @default.
• WZFXYD isFundedBy genid68789 @default.