用神经网络确定莱曼-$\alpha$ 发射体的系统红移并改善测得的大尺度成团性

我们探讨如何缓解莱曼-$\alpha$ 发射体（LAE）样本中因其 Ly$\alpha$ 线轮廓中莱曼-$\alpha$（Ly$\alpha$）波长误判引起的成团性畸变。我们使用先前 LAE 理论模型中的 Ly$\alpha$ 线轮廓，该模型包含星际和星系际介质中的辐射转移。我们引入一种新方法，利用神经网络从 Ly$\alpha$ 线测量 LAE 的系统红移。具体而言，我们假定对于整个 LAE 族中一部分，其系统红移通过其他光谱特征精确确定。然后我们用该子集训练一个给定 Ly$\alpha$ 线轮廓预测 Ly$\alpha$ 波长的神经网络。我们测试了两种不同的训练集：i) LAE 均匀选取；ii) 仅选取最亮 LAE。与文献中先前方法相比，我们的方法在确定 Ly$\alpha$ 波长上显著提升了准确度和精度。事实上，在理想 Ly$\alpha$ 线轮廓上应用我们的算法后，我们恢复了未受扰动的成团性，直至 1cMpc/h。然后，我们通过降低真实 Ly$\alpha$ 线轮廓的质量，测试了方法在其中的表现。即便 Ly$\alpha$ 线轮廓质量大幅下降，机器学习技术仍表现良好。我们得出结论，诸如 HETDEX 的 LAE 巡天将受益于高精度确定子群体的系统红移，并应用我们的方法估计其余星系样本的系统红移。