迄今为止，重力波检测器，例如LIGO和处女座，对几千到一赫兹的频率敏感。 它们在黑洞兼并研究中最有效。 我们建议开发千兆赫兹和更高频率范围的高频文物重力波（HFRGW）检测器，尤其是Li-Baker HFRGW检测器。 我们认为，收集宇宙，原始的观测数据尤其重要，特别是在宇宙诞生后的最初几秒钟内产生的数据。 因此，本文的动机之一是，我们相信观察遗物引力波将提供有关宇宙的诞生及其早期动力演化的重要信息。 HFRGW探测器的其他天体应用还涉及早期宇宙的熵增长，研究通货膨胀的替代方法以及提供有关新物理在最高能量下的对称性的线索的能力。 根据无穷小普朗克长度和普朗克时间对我们宇宙的推广，提出了一个有效的假设或理论。 该理论涉及时间和物质在那个早期时间内的快速运动，其频率约为每秒数万亿个循环。 描述了几种替代的HFRGW检测器，并详细讨论了所提出的Li-Baker HFRGW检测器，该检测器在理论上对GW振幅A（小至10-32）敏感。 这种敏感性可以提供一种手段来验证或伪造我们的宇宙工作假设的推出。 本质上讲，是理论与实验的结合。 建议准备Li-Baker HFRGW检测器的计划和详细规格，以加

python 恒星视向速度法测量 深度学习星系二分类 源码加报告

横向天文学，天体物理学和天体粒子机器学习小组 该小组是在H2020-ASTERICS / OBELICS项目下发起的。 该小组的目的是分享有关天文学相关领域的机器学习知识。 欢迎对此主题做出任何贡献，提出问题，进行讨论。 提出拉取请求，有助于解决未解决的问题或提出新的问题。 目录：

使用turtle模块的天体引力模拟程序, 支持模拟引力、天体轨道, 使用了万有引力定律。 支持高性能的科学计算, 使用numba模块; 支持绘制行星图像; 增加了拖动鼠标发射飞船功能。 本资源还包含程序的多个测试及改编版本。

本书介绍了实测天体物理学的基础知识，重点介绍了实测天体物理学的基本观测方法，观测仪器和观测技术。

该存储库包含我在纽约州立大学奥斯威戈分校本科学习期间编写并用于恒星天体物理学研究的几个代码。 通常，这些代码处理来自“恒星天体物理学中的实验模块”及其附加功能“径向恒星脉冲”的输出数据。 关键字为“ CMD”的代码使用来自MESA的绝对幅度数据创建颜色幅度图。 带“ hif2”的代码最初由Earl Bellinger博士编写。 除了Hertzsprung-Russell图以外，这些代码还执行有关恒星中氢离子前沿的计算，并绘制光学深度与恒星年龄图。

死气沉沉的 该存储库将包含由J. Xavier Prochaska生成的许多Python代码，用于天体物理学，教育等。 X教授的与天体物理学相关的代码

【天体物理学】光年外的恒星，存在高级文明.docx

天体物理学动手机器学习教程 本教程为天体物理学家演示了一些简单的机器学习和深度学习用例。 它是在2020年11月的研讨会上首次展示的。 第1部分展示了如何使用scikit-learn在表格数据上训练浅层统计模型，例如支持向量机（SVM）和随机森林，以根据其物理属性（温度/半径/发光度）对星型进行分类。 第2部分演示了如何使用非结构化数据（例如图像）。 它通过深层卷积网络从手工制作的特征（渐变的直方图）逐渐变为学习的特征。 第3部分给出了使用诸如2D空间中的聚类，图像检索，对预训练网络进行微调等深层功能可以实现的不错的聚会技巧的示例。 如果在此代码中发现任何错误或问题，请随时打开问题或请求请求。

AstroML：天文学的机器学习 AstroML是一个基于numpy，scipy，scikit-learn和matplotlib构建的Python机器学习和数据挖掘模块，并已获得BSD许可。 它包含一个不断发展的统计和机器学习例程库，用于分析python中的天文数据，用于几个开放式天文数据集的加载器，以及一整套用于分析和可视化天文数据集的示例。 该项目由Jake VanderPlas于2012年启动，与Zeljko Ivezic，Andrew Connolly，Jacob VanderPlas和Alex Gray合着的《统计，数据挖掘和天文学中的机器学习》一书相伴。 重要连结 HTML文档： ： 核心源代码存储库： : 图源代码存储库： : 问题追踪器： : 邮件列表： https : //groups.google.com/forum/#! forum/ astro