CEERS关键论文. IX. 利用随机森林和卷积神经网络在CEERS NIRCam图像中识别星系并合
星系天体物理
2024-08-01 v1
摘要
在星系演化研究中，识别遥远并合星系是一项至关重要但极具挑战性的任务，该任务受到从望远镜灵敏度与局限性到年轻星系固有混沌形态等多种问题的影响。在本文中，我们使用随机森林和卷积神经网络来识别高红移JWST CEERS星系并合。我们在由IllustrisTNG子晕形态和Santa Cruz SAM光锥创建的模拟 CEERS星系上训练这些算法。我们将模型应用于观测到的 CEERS星系。结果表明，我们的模型正确分类了约60–70%的模拟并合星系和非并合星系；在并合类别上表现更好的代价是误分类了更多的非并合星系。通过整理更大的训练集，我们可以实现更准确的分类，并检验对气体比例、质量比和相对轨道等物理参数的依赖性。当将模型应用于以人工视觉分类为真实标签的真实CEERS星系时，随机森林在红移范围内正确分类了40–60%的并合和非并合星系，但在红移范围内倾向于将大多数天体分类为非并合（误分类了约70%的人工视觉分类并合星系）。另一方面，卷积神经网络在所有红移范围内倾向于将大多数天体分类为并合（误分类了80–90%的人工视觉分类非并合星系）。我们研究了模型发现最有用的特征，以及假阳性与假阴性的特征，并计算了由模型识别得出的并合率。
引用
@article{arxiv.2407.21279,
title = {CEERS Key Paper. IX. Identifying Galaxy Mergers in CEERS NIRCam Images Using Random Forests and Convolutional Neural Networks},
author = {Caitlin Rose and Jeyhan S. Kartaltepe and Gregory F. Snyder and Marc Huertas-Company and L. Y. Aaron Yung and Pablo Arrabal Haro and Micaela B. Bagley and Laura Bisigello and Antonello Calabrò and Nikko J. Cleri and Mark Dickinson and Henry C. Ferguson and Steven L. Finkelstein and Adriano Fontana and Andrea Grazian and Norman A. Grogin and Benne W. Holwerda and Kartheik G. Iyer and Lisa J. Kewley and Allison Kirkpatrick and Dale D. Kocevski and Anton M. Koekemoer and Jennifer M. Lotz and Ray A. Lucas and Lorenzo Napolitan and Casey Papovich and Laura Pentericci and Pablo G. Pérez-González and Nor Pirzkal and Swara Ravindranath and Rachel S. Somerville and Amber N. Straughn and Jonathan R. Trump and Stephen M. Wilkins and Guang Yang},
journal= {arXiv preprint arXiv:2407.21279},
year = {2024}
}
备注
23 pages, 14 figures, submitted to ApJL