基于仿真推断从光谱中推导星系形成历史

高分辨率星系光谱编码了星系内部恒星群的相关信息。恒星的属性，如年龄、质量和金属丰度，提供了洞察星系在宇宙演化过程中驱动生长和转化的物理过程的途径。我们探索了一种仿真推断 (SBI) 工作流程，用于从光学吸收光谱中推断金属丰度和星系形成历史 (SFHs) 的后验分布 (即星系形成率随时间的函数)。我们生成了一组合成光谱数据集，用于训练和测试模型，采用MILES恒星群落库的光谱预测和非参数SFHs。我们可靠地估计了集成恒星群的质量组装，并获得校准的不确定性。具体而言，我们对测试集中给定星系形成50%恒星质量的时间得分达到$0.97\,R^2$，仅需$10^{-4}$\,秒即可获得后验分布的样本。我们随后将该流程应用于巨型椭圆星系的真实观测，恢复了年龄与速度分散度之间的已知关系，并表明最质量的星系 ($\sigma\sim300$ km/s) 在大爆炸起源后10亿年内即可构建达其总恒星质量的90%。推导出的属性与最先进的逆转代码一致，但推断速度快了五个数量级。这一SBI方法结合机器学习并应用于完整光谱拟合，使我们能够在进行密集后验抽样的情况下处理大量星系。它将允许估计高度退化逆问题中确定性趋势和固有不确定性，这些正在发生的大型和复杂的光谱调查，如DESI、WEAVE或4MOST。