June
2026
•
2026A&A...711A..13E
Authors
•
Euclid Collaboration
•
Siudek, M.
•
Huertas-Company, M.
•
Smith, M. J.
•
Martínez-Solaeche, G.
•
Lanusse, F.
•
Ho, S.
•
Angeloudi, E.
•
Cunha, P. A. C.
•
Domínguez Sánchez, H.
•
Dunn, M.
•
Fu, Y.
•
Iglesias-Navarro, P.
•
Junais, J.
•
Knapen, J. H.
•
Laloux, B.
•
Mezcua, M.
•
Roster, W.
•
Stevens, G.
•
Vega-Ferrero, J.
•
Aghanim, N.
•
Altieri, B.
•
Amara, A.
•
Andreon, S.
•
Auricchio, N.
•
Aussel, H.
•
Baccigalupi, C.
•
Baldi, M.
•
Bardelli, S.
•
Battaglia, P.
•
Biviano, A.
•
Bonchi, A.
•
Branchini, E.
•
Brescia, M.
•
Brinchmann, J.
•
Camera, S.
•
Cañas-Herrera, G.
•
Capobianco, V.
•
Carbone, C.
•
Carretero, J.
•
Casas, S.
•
Castander, F. J.
•
Castellano, M.
•
Castignani, G.
•
Cavuoti, S.
•
Chambers, K. C.
•
Cimatti, A.
•
Colodro-Conde, C.
•
Congedo, G.
•
Conselice, C. J.
•
Conversi, L.
•
Copin, Y.
•
Courbin, F.
•
Courtois, H. M.
•
Cropper, M.
•
Da Silva, A.
•
Degaudenzi, H.
•
De Lucia, G.
•
Di Giorgio, A. M.
•
Dinis, J.
•
Dolding, C.
•
Dole, H.
•
Dubath, F.
•
Duncan, C. A. J.
•
Dupac, X.
•
Dusini, S.
•
Escoffier, S.
•
Farina, M.
•
Farinelli, R.
•
Faustini, F.
•
Ferriol, S.
•
Finelli, F.
•
Fotopoulou, S.
•
Frailis, M.
•
Franceschi, E.
•
Galeotta, S.
•
George, K.
•
Gillis, B.
•
Giocoli, C.
•
Gracia-Carpio, J.
•
Granett, B. R.
•
Grazian, A.
•
Grupp, F.
•
Gwyn, S.
•
Haugan, S. V. H.
•
Holmes, W.
•
Hook, I. M.
•
Hormuth, F.
•
Hornstrup, A.
•
Jahnke, K.
•
Jhabvala, M.
•
Keihänen, E.
•
Kermiche, S.
•
Kiessling, A.
•
Kubik, B.
•
Kümmel, M.
•
Kunz, M.
•
Kurki-Suonio, H.
•
Le Boulc'h, Q.
•
Le Brun, A. M. C.
•
Le Mignant, D.
•
Ligori, S.
•
Lilje, P. B.
•
Lindholm, V.
•
Lloro, I.
•
Mainetti, G.
•
Maino, D.
•
Maiorano, E.
•
Mansutti, O.
•
Marcin, S.
•
Marggraf, O.
•
Martinelli, M.
•
Martinet, N.
•
Marulli, F.
•
Massey, R.
•
Maurogordato, S.
•
McCracken, H. J.
•
Medinaceli, E.
•
Mei, S.
•
Melchior, M.
•
Mellier, Y.
•
Meneghetti, M.
•
Merlin, E.
•
Meylan, G.
•
Mora, A.
•
Moresco, M.
•
Moscardini, L.
•
Nakajima, R.
•
Neissner, C.
•
Niemi, S.-M.
•
Nightingale, J. W.
•
Padilla, C.
•
Paltani, S.
•
Pasian, F.
•
Pedersen, K.
•
Percival, W. J.
•
Pettorino, V.
•
Pires, S.
•
Polenta, G.
•
Poncet, M.
•
Popa, L. A.
•
Pozzetti, L.
•
Raison, F.
•
Renzi, A.
•
Rhodes, J.
•
Riccio, G.
•
Romelli, E.
•
Roncarelli, M.
•
Saglia, R.
•
Sakr, Z.
•
Sánchez, A. G.
•
Sapone, D.
•
Sartoris, B.
•
Schewtschenko, J. A.
•
Schneider, P.
•
Schrabback, T.
•
Scodeggio, M.
•
Secroun, A.
•
Seidel, G.
•
Seiffert, M.
•
Serrano, S.
•
Simon, P.
•
Sirignano, C.
•
Sirri, G.
•
Stanco, L.
•
Steinwagner, J.
•
Tallada-Crespí, P.
•
Taylor, A. N.
•
Tereno, I.
•
Toft, S.
•
Toledo-Moreo, R.
•
Torradeflot, F.
•
Tutusaus, I.
•
Valenziano, L.
•
Valiviita, J.
•
Vassallo, T.
•
Verdoes Kleijn, G.
•
Veropalumbo, A.
•
Wang, Y.
•
Weller, J.
•
Zacchei, A.
•
Zamorani, G.
•
Zerbi, F. M.
•
Zinchenko, I. A.
•
Zucca, E.
•
Allevato, V.
•
Ballardini, M.
•
Bolzonella, M.
•
Bozzo, E.
•
Burigana, C.
•
Cabanac, R.
•
Cappi, A.
•
Di Ferdinando, D.
•
Escartin Vigo, J. A.
•
Gabarra, L.
•
Martín-Fleitas, J.
•
Matthew, S.
•
Mauri, N.
•
Metcalf, R. B.
•
Pezzotta, A.
•
Pöntinen, M.
•
Porciani, C.
•
Risso, I.
•
Scottez, V.
•
Sereno, M.
•
Tenti, M.
•
Viel, M.
•
Wiesmann, M.
•
Akrami, Y.
•
Andika, I. T.
•
Anselmi, S.
•
Archidiacono, M.
•
Atrio-Barandela, F.
•
Benoist, C.
•
Benson, K.
•
Bertacca, D.
•
Bethermin, M.
•
Bisigello, L.
•
Blanchard, A.
•
Blot, L.
•
Brown, M. L.
•
Bruton, S.
•
Calabro, A.
•
Camacho Quevedo, B.
•
Caro, F.
•
Carvalho, C. S.
•
Castro, T.
•
Charles, Y.
•
Cogato, F.
•
Cooray, A. R.
•
Cucciati, O.
•
Davini, S.
•
De Paolis, F.
•
Desprez, G.
•
Díaz-Sánchez, A.
•
Diaz, J. J.
•
Di Domizio, S.
•
Diego, J. M.
•
Duc, P.-A.
•
Enia, A.
•
Fang, Y.
•
Ferrari, A. G.
•
Ferreira, P. G.
•
Finoguenov, A.
•
Fontana, A.
•
Franco, A.
•
Ganga, K.
•
García-Bellido, J.
•
Gasparetto, T.
•
Gautard, V.
•
Gaztanaga, E.
•
Giacomini, F.
•
Gianotti, F.
•
Gozaliasl, G.
•
Guidi, M.
•
Gutierrez, C. M.
•
Hall, A.
•
Hartley, W. G.
•
Hemmati, S.
•
Hernández-Monteagudo, C.
•
Hildebrandt, H.
•
Hjorth, J.
•
Kajava, J. J. E.
•
Kang, Y.
•
Kansal, V.
•
Karagiannis, D.
•
Kiiveri, K.
•
Kirkpatrick, C. C.
•
Kruk, S.
•
Le Graet, J.
•
Legrand, L.
•
Lembo, M.
•
Lepori, F.
•
Leroy, G.
•
Lesci, G. F.
•
Lesgourgues, J.
•
Leuzzi, L.
•
Liaudat, T. I.
•
Loureiro, A.
•
Macias-Perez, J.
•
Maggio, G.
•
Magliocchetti, M.
•
Magnier, E. A.
•
Mannucci, F.
•
Maoli, R.
•
Martins, C. J. A. P.
•
Maurin, L.
•
Miluzio, M.
•
Monaco, P.
•
Moretti, C.
•
Morgante, G.
•
Murray, C.
•
Naidoo, K.
•
Navarro-Alsina, A.
•
Nesseris, S.
•
Passalacqua, F.
•
Paterson, K.
•
Patrizii, L.
•
Pisani, A.
•
Potter, D.
•
Quai, S.
•
Radovich, M.
•
Sacquegna, S.
•
Sahlén, M.
•
Sanders, D. B.
•
Sarpa, E.
•
Schneider, A.
•
Sciotti, D.
•
Scognamiglio, D.
•
Sellentin, E.
•
Smith, L. C.
•
Tanidis, K.
•
Testera, G.
•
Teyssier, R.
•
Tosi, S.
•
Troja, A.
•
Tucci, M.
•
Valieri, C.
•
Venhola, A.
•
Vergani, D.
•
Verza, G.
•
Vielzeuf, P.
•
Walton, N. A.
•
Sorce, J. G.
Abstract
•
Modern astronomical surveys, such as the Euclid mission, produce high-dimensional, multi-modal datasets that include imaging and spectroscopic information for millions of galaxies. These data serve as an ideal benchmark for large, pre-trained multi-modal models, which can leverage vast amounts of unlabelled data. In this work, we present the first exploration of Euclid data with AstroPT, an autoregressive multi-modal foundation model trained on approximately 300000 optical and infrared Euclid images and spectral energy distributions (SEDs) from the first Euclid Quick Data Release. We compare self-supervised pre-training with baseline fully supervised training across several tasks: galaxy morphology classification; redshift estimation; similarity searches; and outlier detection. Our results show that: (a) AstroPT embeddings are highly informative, correlating with morphology and effectively isolating outliers; (b) including infrared data helps to isolate stars, but degrades the identification of edge-on galaxies, which are better captured by optical images; (c) simple fine-tuning of these embeddings for photometric redshift and stellar mass estimation outperforms a fully supervised approach, even when using only 1% of the training labels; and (d) incorporating SED data into AstroPT via a straightforward multi-modal token-chaining method improves photo-z predictions, and allow us to identify potentially more interesting anomalies (such as ringed or interacting galaxies) compared to a model pre-trained solely on imaging data.
Links
