COSMOS2020：利用流形学习估算大型星系巡天中的物理参数
星系天体物理
2022-09-07 v1 天体物理仪器与方法
摘要
我们提出了一种从光谱能量分布（SED）估算星系物理性质的新方法，它替代了模板拟合技术，并基于自组织映射（SOM）来学习测光星系星表的高维流形。该方法此前已在 Davidzon 等人（2019）中使用流体动力学模拟进行了测试，而本文首次将其应用于真实数据。其实现的关键在于使用高质量、全色数据集中构建 SOM，我们选用“COSMOS2020”星系星表。在使用 COSMOS2020 进行训练和校准后，其他星系可通过 SOM 处理以获得其恒星质量和恒星形成率（SFR）的估算值。这两个量均与基于更长测光基线得到的独立测量结果吻合良好，且它们的组合（即 SFR 对恒星质量图）显示的主序恒星形成星系与以往研究一致。我们讨论了该方法相对于传统 SED 拟合的优势，重点强调了以 SOM 以“数据驱动”方式构建的经验性 SED 集合替代通常的合成模板所产生的影响。这种方法还允许即便对于极大型数据集，也能进行高效的视觉检查以识别测光误差或特殊星系类型。考虑到该新估算器的计算速度，我们认为它将在 Euclid 或 Vera Cooper Rubin 望远镜的时空遗留巡天（Legacy Survey of Space and Time）等即将开展的大面积巡天分析中发挥重要作用。
引用
@article{arxiv.2206.06373,
title = {COSMOS2020: Manifold Learning to Estimate Physical Parameters in Large Galaxy Surveys},
author = {I. Davidzon and K. Jegatheesan and O. Ilbert and S. de la Torre and S. K. Leslie and C. Laigle and S. Hemmati and D. C. Masters and D. Blanquez-Sese and O. B. Kauffmann and G. E. Magdis and K. Małek and H. J. McCracken and B. Mobasher and A. Moneti and D. B. Sanders and M. Shuntov and S. Toft and J. R. Weaver},
journal= {arXiv preprint arXiv:2206.06373},
year = {2022}
}
备注
to appear on A&A