利用机器学习和贝叶斯推断约束巨型射电星系人口

低频大尺度天文测绘，如 LOFAR 双米尔 Sky Survey（LoTSS），允许检测和特征化前所未有的大量巨型射电星系（GRGs，或“巨型”）。在本工作中，通过自动化射电-光学目录的创建，我们旨在显著扩大已知巨型星系的统计。我们随后将该样本与前向模型结合，用于约束感兴趣的 GRG 属性。在本文中，我们通过机器学习自动化射电源组件关联，以及针对已解析的射电源进行光学宿主识别。我们为完整的 LoTSS Data Release 2（DR2）创建了射电-光学目录并选取所有可能的巨型星系。我们将我们的候选者与 LoTSS DR2 众包 GRG 候选者目录相结合并进行视觉确认或否定。为了从 GRG 观测中推断本征 GRG 属性，我们进一步开发了一个考虑选择效应的数据驱动前向模型，并使用贝叶斯推断来约束其参数。我们确认了来自众包目录的 5,647 个先前未知的巨型星系以及来自 ML 驱动目录的 2,597 个先前未知的巨型星系。我们的确认和发现使已知巨型星系的总数至少达到 11,585。我们预测当今的 GRG 数密度 $n_\mathrm{GRG} = 13 \pm 10\ (100\ \mathrm{Mpc})^{-3}$，接近最近一次对非巨型射电星系亮度数密度的估计。我们推导出当代 GRG lobe 体积填充率 $V_\mathrm{GRG-CW}(z = 0) = 1.4 \pm 1.1 \cdot 10^{-5}$ 位于宇宙网中的集群和纤维中。我们的分析表明，巨型星系的出现频率比以前想象的更常见。此外，tentative 结果暗示磁场可能曾存在于巨型星系中，覆盖了今天宇宙网的一个显著（$\gtrsim 10\%$）比例。