神经网络作为星系模拟与观测调查之间桥梁的演示
天体物理仪器与方法
2026-02-09 v1 计算物理
摘要
本文演示了银河和质量编组(GAMA)调查中星系的恒星质量——这些恒星质量最初通过恒星人口合成建模得出——可以仅仅通过其绝对星级光度和颜色指数准确预测。本工作的核心贡献在于证明，这一长期存在的推理问题可以用一种异常简单的机器学习模型来解决：一个具有单层隐藏层的全连接前馈人工神经网络。该网络仅在由SHARK半分析模型生成的合成星系上进行训练，并被证明能有效迁移到实际观测数据上。在 nearly 3.5 阶的恒星质量范围内，预测值与GAMA基于SED(可见光-近红外联合光谱)推导的质量高度吻合，平均偏差约为 ~0.131 阶。这些结果表明，复杂的深度学习架构并不是实现稳健恒星质量估计的必要条件，仿真训练的轻量级机器学习模型能够捕获宽光段光度中编码的主导物理信息。该方法被进一步应用于17,006颗缺乏SED推导质量的GAMA星系，通过网络传递光度不确定性，提供相应的推断恒星质量的误差估计。总体而言，本工作建立了一种计算高效、概念透明的路径，用于星系演化研究中的仿真到观测的迁移学习。
引用
@article{arxiv.2602.06492,
title = {A Demonstration of a Neural Network as a Bridge Between Galaxy Simulations and Surveys},
author = {E. Elson},
journal= {arXiv preprint arXiv:2602.06492},
year = {2026}
}