利用机器学习比较观测星系性质与半解析模型预言

随着 WFIRST、Euclid 与 LSST 等当前及即将开展的巡天，我们可观测多达数十亿星系。此类巡天虽无法为所有观测星系获取光谱，但能产生颜色滤光片下的星系星等。该数据集表现为高维非线性曲面，是机器学习的极佳对象。本工作中，我们使用调至与 Lu 等（2014）CANDELS 观测相符的半解析星系光锥，在一组星系物理性质上训练神经网络集合。我们加入真实测光噪声，并用训练好的神经网络在真实 CANDELS 星系上预言恒星质量与平均恒星形成率，将预言与 SED 拟合结果比较。在半解析星系上，我们几乎可与模板拟合方法媲美，恒星质量偏差 $0.01$ dex、恒星形成率偏差 $0.09$ dex、金属丰度偏差 $0.04$ dex。对观测 CANDELS 数据，我们的结果在 $M_{\rm star}$ 上偏差 $0.15$ dex、恒星形成率上偏差 $0.61$ dex，与同数据模板拟合一致。部分偏差由 SED 拟合局限而非训练集局限导致，部分源于神经网络方法本身。进一步误差可能由半解析星表与数据间噪声特性差异引起。结果表明星系物理性质原则上可用神经网络以媲美模板拟合方法的准确度与精度测得。