尽可能简单但不过简：优化星系 SED 拟合中神经网络模拟器的性能

人工神经网络模拟器已被证明是一种计算效率极高的方法，可快速生成星系光谱能量分布（SED），用于参数推断或其他目的。利用高度灵活且快速的数学结构，它们能够学习输入星系参数与输出观测量之间的非平凡关系。然而，它们的学习并不完美，流量预测中的微小误差可能导致恢复参数上的巨大差异。在本工作中，我们研究了模拟器的执行时间、不确定性、相关误差以及恢复精确后验的能力之间的关系。我们表明，模拟器能够恢复与传统拟合一致的结果，对于恒星质量、恒星金属丰度、恒星形成率和恒星年龄的后验中位数具有 $25\!-\!40\%$ 的精度。我们发现，模拟不确定性随模拟器宽度 $N$ 以 $\propto N^{-1}$ 缩放，而执行时间以 $\propto N^2$ 缩放，从而导致执行时间与模拟不确定性之间的固有权衡。我们还发现，不确定性小于观测不确定性的模拟器能够在不过度增加灾难性异常值的情况下，恢复大多数参数的精确后验。此外，我们证明小型架构会产生具有显著相关性的流量残差，这可能在颜色上造成危险的系统误差。最后，我们表明，用于生成训练集的分布对模拟器准确拟合稀有对象的能力有很大影响。为模拟器选择最优架构和训练集将最小化拟合近未来大规模星系巡天的计算需求。