利用卷积神经网络约束冲压剥离下星系的三维轨道

盘状星系气体的冲压剥离（RPS）长期以来被认为在星系团和星系群内的星系演化中起着至关重要的作用。对于给定的星系团内介质（ICM）密度和给定的盘状星系速度，RPS可由两个角度（theta和phi）控制，它们定义了星系在其宿主星系团内三维（3D）运动的方向矢量与星系自旋矢量之间的角关系。我们在此提出一种新方法，其中使用卷积神经网络（CNNs）来约束RPS下盘状星系的theta和phi。我们首先通过使用来自具有不同theta和phi的大量RPS模型的~10^5张星系气体分布合成图像来训练CNN。然后我们将训练好的CNN应用于新的测试RPS模型以预测theta和phi。正确与预测的theta和$\phi$之间的相似性通过余弦相似度（cos-Theta）度量，cos-Theta=1表示完全准确的预测。我们显示测试模型间的平均cos-Theta约为0.95，这意味着通过将CNN应用于其气体的空间分布可以很好地约束theta和phi。该结果表明，如果ICM处于流体静力平衡（因而不运动），盘状星系在其宿主星系团内的3D轨道可通过被RPS剥离的气体的空间分布来约束。我们讨论了该方法在如WALLABY和SKA项目等HI巡天中的应用。