利用卷积神经网络测定恒星形成历史与年龄-金属丰度关系
星系天体物理
2026-05-15 v1
摘要
我们旨在开发一种先进的工具，以从真实观测数据推断详细的恒星形成历史（SFHs）与年龄-金属丰度关系，同时缓解经典的简并问题并大幅降低计算成本。具体而言，我们寻求利用光谱与测光数据的互补性，以改进对 PHANGS 合作项目中近邻星系空间分辨的 SFH 与金属丰度演化的约束。我们构建并训练了一个卷积神经网络（CNN），它结合了卷积层、注意力机制与共享隐空间，以在 16 个年龄区间内联合预测 SFHs 与金属丰度。该网络同时处理来自 PHANGS-MUSE 的积分场光谱数据与来自 PHANGS-HST 的五波段测光流量。训练在包含 165\,000 条合成光谱与测光测量值的数据集上进行，这些数据涵盖了代表观测的广泛 SFH 形状、金属丰度演化、尘埃消光与信噪比。该 CNN 能够在广泛的演化场景下准确恢复 SFHs 与年龄-金属丰度关系。推断出的光度加权与质量加权平均年龄和金属丰度偏差可忽略不计，年龄弥散度约为 dex，金属丰度弥散度约为 dex。当应用于 NGC\,3627 的真实 PHANGS-MUSE 与 PHANGS-HST 数据时，该网络生成了平滑且空间相干的恒星年龄与金属丰度图，恢复了具有物理意义的结构，包括追踪旋臂与恒星形成区的较年轻星族。该 CNN 的速度比传统全谱拟合代码快约 至 倍，为大型光谱测光巡天分析提供了一种强大且高效的替代方案。
引用
@article{arxiv.2605.13973,
title = {Determining star formation histories and age-metallicity relations with convolutional neural networks},
author = {Enrique Galceran and Patricia Sánchez-Blázquez and Artemi Camps-Fariña and Médéric Boquien and Ralf S. Klessen and Francesco Belfiore and Daniel A. Dale and Francesca Pinna and Ivan S. Gerasimov and Thomas G. Williams and Hsi-An Pan},
journal= {arXiv preprint arXiv:2605.13973},
year = {2026}
}