深度学习在特征质量区间内识别处于中心蓝核相的高红移星系
星系天体物理
2018-05-23 v1
摘要
我们利用机器学习在高红移星系的彩色图像中识别一种由宇宙学模拟预言的天体物理现象。该现象称为蓝核(BN)相,是许多成长中星系中心区域的致密恒星形成阶段,此前为气体压缩阶段,其后为中心淬灭阶段。我们训练了一个卷积神经网络(CNN),使用处于三个演化阶段——前 BN、BN 和后 BN——的模拟星系的模拟“观测”图像,并证明该 CNN 能成功在其他模拟星系中分辨这三个阶段。我们表明,BNs 被 CNN 在约 哈勃时间的时间窗口内识别。当训练好的 CNN 应用于 CANDELS 巡天在 的观测星系时,它成功识别了处于三个阶段的星系。我们发现观测到的 BNs 优先出现在特征恒星质量区间 的星系中,且在所有红移下皆然。这与模拟中探测到的 BNs 特征星系质量一致,并且是有意义的,因为这一现象是在训练集中关于星系总光度的直接信息被剔除后,在观测中显现出来的。该技术可应用于其他天体物理现象的分类,以在大型成像巡天与宇宙学模拟时代改进理论与观测的比较。
引用
@article{arxiv.1804.07307,
title = {Deep Learning Identifies High-z Galaxies in a Central Blue Nugget Phase in a Characteristic Mass Range},
author = {M. Huertas-Company and J. R. Primack and A. Dekel and D. C. Koo and S. Lapiner and D. Ceverino and R. C. Simons and G. F. Snyder and M. Bernardi and Z. Chen and H. Domínguez-Sánchez and Z. Chen and C. T. Lee and B. Margalef-Bentabol and D. Tuccillo},
journal= {arXiv preprint arXiv:1804.07307},
year = {2018}
}
备注
Accepted for publication in ApJ