利用自监督表征学习分析 HSC-SSP 中潮汐特征的普遍性

我们结合自监督机器学习和视觉分类，在 Hyper Suprime-Cam Subaru Strategic Program (HSC-SSP) 光学成像巡天中抽取的 34,331 个恒星质量 $\log_{10}(M_{*}/\rm{M}_{\odot})\geq9.5$ 且红移 $z\leq0.4$ 的星系样本中识别潮汐特征。我们组装了最大的 1646 个确认具有潮汐特征的星系样本，发现潮汐特征比例 $f=0.06^{+0.05}_{-0.01}$。我们分析了潮汐特征的发生率以及各种潮汐特征类别如何随宿主星系恒星质量、光度红移和颜色以及暗晕质量而变化。我们发现潮汐特征比例与宿主星系恒星质量之间存在递增关系，与红移之间存在递减关系。我们发现，在暗晕质量 $12.0<\log_{10}(M_{200}/\rm{M}_{\odot})<14.0$ 的群环境中比在场或更致密的团簇环境中出现更多的潮汐特征。我们还发现，最大质量（$\log_{10}(M_{200}/\rm{M}_{\odot})>14.1$）群和团簇的中心星系比卫星星系表现出更高的潮汐特征率。我们观察到的趋势与纯视觉或其他自动化方法获得的结果吻合良好，确认了我们方法的有效性，并且使用机器学习可以大幅减少视觉分类的工作量，因为我们只需要对样本中不到 30% 的部分进行视觉分类。这类方法将对 Vera C. Rubin Observatory's Legacy Survey of Space and Time 等大型 upcoming 成像巡天中数百万个合适星系的分类至关重要。