基于 SCARLET 与深度学习的 CosmoDC2 星系恒星族群分解
天体物理仪器与方法
2022-02-16 v1 星系天体物理
摘要
我们提出了一种基于深度学习的新方法，用于估计合成星系中不同恒星族群的归一化宽带光谱能量分布（SED）。与非参数的多波段源分离算法 SCARLET——其同时拟合 SED 与形态——不同，在我们的研究中，我们提供了一种与形态无关、基于统计的 SED 确定方法，仅使用星系的颜色分布。我们开发了一个神经网络（sedNN），该网络能根据模拟宽带图像中星系相关像素的颜色分布，准确预测来自 CosmoDC2 真实合成星系中年老红色与年轻蓝色恒星族群的 SED。我们在最近发布的 CosmoDC2 模拟星系目录的一个子集上训练和测试了该网络，该子集包含约 3,600 个星系。我们将模型性能与 SCARLET 的结果进行了比较，发现 sedNN 能以平均 4-5% 的精度预测 SED，约为使用 SCARLET 的两倍。我们还研究了这一改进对核球与盘状结构流量确定精度的影响。我们发现，使用更精确的 SED 使各成分流量确定的误差降低了约 30%。
引用
@article{arxiv.2111.14446,
title = {Decomposition of stellar populations in CosmoDC2 galaxies using SCARLET and Deep Learning},
author = {Sándor Kunsági-Máté and István Csabai},
journal= {arXiv preprint arXiv:2111.14446},
year = {2022}
}
备注
5 pages, 8 figures