评估星系旋转动力学：来自卷积神经网络对速度变化的见解

区分星系是快旋转体还是慢旋转体，对于理解星系形成和演化背后的过程起着至关重要的作用。基于由恒星动力学获得的 $\lambda_R$ 自旋参数的标准技术，常常难以准确分类快旋转体和慢旋转体。这些挑战尤其出现在星系具有复杂相互作用历史或表现出显著形态多样性的情况下。在本文中，我们评估了卷积神经网络（CNN）基于 SAMI 巡天的恒星动力学图对星系旋转动力学进行分类的性能。我们的结果表明，最佳的 CNN 架构在测试数据集上分别达到了约 91% 的准确率和 95% 的精确率。随后，我们应用训练好的模型对以前未知的旋转体星系进行分类，传统的统计工具无法确定这些星系表现出快旋转还是慢旋转，例如某些不规则星系或致密星团中的星系。我们还使用积分梯度（IG）揭示了影响 CNN 分类的关键动力学特征。本研究突出了 CNN 在提高我们对星系动力学理解方面的能力，并强调了它们为即将开展的大规模积分场光谱仪（IFS）巡天做出贡献的潜力。