利用卷积神经网络从窄带测光巡天约束星族参数
星系天体物理
2021-01-13 v2
摘要
即将开展的大面积窄带测光巡天，如 J-PAS，将使我们能够同时且高效地观测大量星系。然而，从此类大数据中分析星系的空间分辨星族以研究星系形成与演化历史将具有挑战性。我们应用了卷积神经网络（CNN）技术，该技术一旦训练完成即已知计算代价低廉，以从类 J-PAS 窄带图像中反演金属丰度与年龄。CNN 使用由 CALIFA IFU 巡天创建的模拟 J-PAS 数据以及每个数据点的年龄和金属丰度进行训练，这些参数是通过对 CALIFA 光谱进行全谱拟合得到的。我们证明，我们的 CNN 模型能够从每个类 J-PAS 光谱能量分布中一致地恢复年龄与金属丰度。星系年龄与金属丰度的径向梯度也被准确地恢复，与其形态无关。然而，研究表明，用于训练神经网络的 dataset 的多样性对星系星族参数的恢复有显著影响。因此，未来应用 CNN 约束星族将依赖于能否获得覆盖广泛星族参数范围的优质光谱数据样本。
引用
@article{arxiv.2002.08278,
title = {Constraining stellar population parameters from narrow band photometric surveys using convolutional neural networks},
author = {Choong Ling Liew-Cain and Daisuke Kawata and Patricia Sanchez-Blazquez and Ignacio Ferreras and Myrto Symeonidis},
journal= {arXiv preprint arXiv:2002.08278},
year = {2021}
}
备注
9 pages, 10 figures, 2 tables. Accepted by MNRAS