深场图像中星系类型的无星表建模：基于神经网络的大规模降维

当前的星系演化模型受限于从多波段深场中提取的、包含星系流量与尺寸的星表分析，这些星表带有不可避免的观测与提取相关偏差，且可能高度相关。实际上，同时考虑所有这些效应是困难的，所得模型不可避免地存在偏差。为解决此问题，我们利用稳健的无似然方法推断光度函数参数，该方法通过对多波段图像使用人工神经网络进行大规模压缩而得以实现。这一技术使得在比较观测与模拟的多波段深场并约束模型参数时无需使用星表。前向建模方法根据光度函数参数生成多种类型的星系，并将其绘制到包含仪器与观测特征的光度多波段深场上。模拟与观测图像具有相同的选择效应，因此可以适当比较。我们训练一个全卷积神经网络，从这些真实模拟中提取对模型参数最敏感的汇总统计量，从而缩减汇总空间的维数。最后，利用训练好的网络压缩观测与模拟深场，通过 Population Monte Carlo 无似然推断约束模型参数值。使用类似于 CFHTLS 和 D1/D2 深场的合成光度多波段深场并通过卷积神经网络大规模压缩，我们证明了这一新无星表推断方法的稳健性、准确性与一致性。我们得以约束不同类型星系光度函数的参数，且我们的结果与经典星表提取方法完全兼容。