高红移星系的稳健研究：利用 JWST 无监督机器学习表征直至 z ~ 8 的形态

星系形态为其形成过程提供了宝贵见解，追踪了正在进行恒星形成的空间分布并编码了动力学相互作用的印记。尽管此类信息已在低红移被广泛研究，但开发一种稳健系统来表征更早宇宙纪元的星系形态至关重要。仅依赖为低红移星系建立的命名法，有可能引入阻碍我们理解这一新领域的偏差。在本文中，我们使用变分自编码器，基于 JWST/NIRCam 数据对 z $>$ 2 的星系进行特征提取。我们的样本包含 6869 个 z $>$ 2 的星系，其中包括 255 个 z $>$ 5 的星系，它们均在 CANDELS/HST 天区与 CEERS/JWST 中被探测到，从而确保了红移、质量与恒星形成率的可靠测量。为解决潜在偏差，我们在编码星系特征前剔除了星系取向与背景源，由此构建了一个具有物理意义的特征空间。我们识别出 11 个不同的形态类别，它们在 CAS-$M_{20}$、Sérsic 指数、比恒星形成率与轴比等多种结构参数上呈现清晰分离。我们观测到球状型星系的占比随红移增加而下降，表明盘状星系在早期宇宙中占主导。我们证明传统的视觉分类系统不足以进行高红移形态分类，并主张需要一种更细致精细的分类方案。借助机器提取的特征，我们提出了应对该挑战的方案，并展示了我们的提取簇如何与测量参数对齐，相较于传统方法具有更大的物理相关性。