利用自监督表示学习检测星系潮汐特征

星系周围低面亮度子结构（称为潮汐特征）是探测过去或正在进行的星系并合的重要工具，其性质可解答有关相互作用中前身星系的问题。当前潮汐特征样本的构建主要依赖视觉分类，难以建立大样本并就星系演化过程得出准确且统计稳健的结论。即将开展的大型光学成像巡天，如 Vera C. Rubin 天文台时空遗产巡天（LSST），预计将观测数十亿星系，因此我们必须改进并合星系样本的检测与分类方法。本文展示了一种自监督机器学习模型的前景良好的结果，该模型在超深层的昴星团望远镜战略计划超广角相机（Hyper Suprime-Cam Subaru Strategic Program）光学成像巡天数据上训练，旨在自动化检测潮汐特征。我们发现自监督模型能够检测潮汐特征，且我们的模型优于以往的自动化潮汐特征检测方法，包括一个全监督模型。早前应用于真实星系图像的方法在 22% 污染率下达到 76% 完备度，而我们的模型在相同污染率下达到显著更高的（96%）完备度。我们强调自监督模型相对于全监督模型的若干优势，包括仅使用 50 个标注样本训练时仍保持优异性能，以及能够利用单个具潮汐特征星系样本执行相似性搜索。