用于研究 $z < 1.4$ 范围内活性星系核宿主星系形态参数的自动机器学习框架——基于 Hyper Supreme-Cam Wide Survey

我们提出了一个复合机器学习框架，用于估计活性星系核（AGN）宿主星系在 $z<1.4$ 且 $m<23$ 范围内的 bulge-to-total light ratio、half-light radius 和通量后验概率分布。我们将数据划分为五个红移区间：低 ($0<z<0.25$)、中 ($0.25<z<0.5$)、高 ($0.5<z<0.9$)、extra ($0.9<z<1.1$) 和 extreme ($1.1<z<1.4$)，并在每个区间独立训练模型。我们使用 PSFGAN 对 AGN 点源光进行分解，并采用 Galaxy Morphology Posterior Estimation Network（GaMPEN）来估计恢复后宿主星系的形态参数。我们首先在模拟数据上训练模型，然后通过迁移学习在标记的真实数据上微调算法。为进行迁移学习，我们在每个红移区间对约 20,000 颗真实 HSC 星系进行 GALFIT 拟合。我们全面检查了最终模型的预测值与 GALFIT 值的一致性，绝大多数情况下均表现良好。我们的 PSFGAN + GaMPEN 框架的运行速度至少快出三个数量级，远快于传统光束轮廓拟合方法，并且可以轻松重新训练以适用于其他形态参数或其他数据集，这些数据集的分辨率、观测条件和信噪比范围各不相同，这使其成为分析来自 Rubin-LSST、Euclid 和 Roman 望远镜的大规模 AGN 宿主星系的理想工具。