基于卷积神经网络的星系合并分类：微弱潮汐特征能否助力分类？
星系天体物理
2026-02-04 v1
摘要
从观测数据中识别合并星系是研究星系演化和形成的关键方面。潮汐特征通常比 26 亮度/平方弧秒更暗，呈现出取决于合并特征和预期在明尼阿波利斯大型光学天文台（LSST）中更详细调查的多样化外观。LSST 将以前所未有的精度揭示低表面亮度宇宙。我们的目标是评估开发基于卷积神经网络（CNN）的模型，以基于 LSST 深度图像区分合并星系和非合并星系的可行性。为此，我们使用 Illustris TNG50——截至目前最高分辨率的宇宙流体动力学模拟，允许我们生成深度约为 29 亮度/平方弧秒的 LSST 模拟图像，针对低红移（z=0.16）的星系，基于其合并状态作为基准标签。我们聚焦于 151 个类似银河系的星系，包括 81 个非合并星系和 70 个合并星系。经过数据增强和超参数调优后，开发出的 CNN 模型准确率为 65--67%。通过额外的图像处理，该模型进一步优化，准确率在训练仅包含微弱特征的图像时提升至 67--70%。这表示与仅在亮特征图像上训练相比，准确率提高了约 5%。这表明微弱潮汐特征可作为区分合并星系和非合并星系的有效指示器。本研究的进一步改进方向也讨论了。
引用
@article{arxiv.2602.03312,
title = {Convolutional Neural Networks for classifying galaxy mergers: Can faint tidal features aid in classifying mergers?},
author = {Yeonkyung Lee and Hyunmi Song and Jihye Shin and Sungryong Hong and Jaehyun Lee and Kyungwon Chun},
journal= {arXiv preprint arXiv:2602.03312},
year = {2026}
}
备注
21 pages, 11 figures, 4 tables, accepted for publication in ApJ