基于 IllustrisTNG 利用 UNIONS 的卷积神经网络识别星系后并合
星系天体物理
2021-03-22 v2
摘要
加拿大-法国成像巡天（CFIS）将包含约 5000 平方度的深场高分辨率 r 波段成像，为识别近期并合星系提供了绝佳机遇。鉴于 CFIS 中星系数量庞大，我们研究使用卷积神经网络（CNN）进行自动化并合分类。后并合与孤立星系图像的训练样本由 IllustrisTNG 模拟经观测真实性代码 RealSim 处理生成。CNN 的总体分类准确率为 88%，在广泛的本征与环境参数范围内保持稳定。我们从 IllustrisTNG 生成模拟星系巡天，以探究 CNN 识别的后并合样本的预期纯度。尽管 CNN 在训练中表现良好，后并合的本征稀有性导致在使用默认判定阈值时样本纯度仅约 6%。我们研究了可变判定阈值下纯度与完备性的权衡，发现可恢复由并合诱发的恒星形成率增强的统计分布。最后，将 CNN 的性能与传统自动化方法及人类分类器比较。在模拟巡天数据上，CNN 的后并合样本纯度比 Gini-M20 与非对称方法高一个数量级。尽管 CNN 在样本完备性上优于人类分类器，人类识别的后并合样本纯度往往更高，表明混合分类方法可能是大型巡天中并合分类的有效方案。
引用
@article{arxiv.2103.09367,
title = {Convolutional neural network identification of galaxy post-mergers in UNIONS using IllustrisTNG},
author = {Robert W. Bickley and Connor Bottrell and Maan H. Hani and Sara L. Ellison and Hossen Teimoorinia and Kwang Moo Yi and Scott Wilkinson and Stephen Gwyn and Michael J. Hudson},
journal= {arXiv preprint arXiv:2103.09367},
year = {2021}
}
备注
21 pages, 19 figures, 2 tables, Accepted for publication in MNRAS