基于深度学习的千度巡天明星系样本测光红移估计

在宇宙学分析中，精确的红移测定对于理解宇宙演化仍然至关重要。然而，由于只有一小部分星系具有光谱红移（spec-$z$s），挑战在于为更大量的星系估计红移。为解决这一问题，基于测光的红移（photo-$z$）估计，利用机器学习算法，是一种可行的解决方案。在识别了先前方法的局限性后，本研究专注于在千度巡天（KiDS）明星系样本中应用深度学习（DL）技术，以实现更精确的 photo-$z$ 估计。将我们新的基于 DL 的模型与先前的“浅层”神经网络进行比较，我们展示了红移精度的提升。我们的模型给出的平均 photo-$z$ 偏差为 $\langle \Delta z\rangle= 10^{-3}$，离散度为 $\mathrm{SMAD}(\Delta z)=0.016$，其中 $\Delta z = (z_\mathrm{phot}-z_\mathrm{spec})/(1+z_\mathrm{spec})$。这项研究突显了 DL 在革新 photo-$z$ 估计方面的潜力。