DIGS：利用神经后验估计对星系光谱进行深度推断

随着具有复杂数据的十亿星系巡天的到来，当前亟需以稳健的不确定性量化高效建模星系光谱能量分布（SED）。基于模拟的推断（SBI）与摊销神经后验估计（NPE）的结合已成功用于精确且高效地分析模拟与真实星系测光数据。在本工作中，我们利用该组合并在现有文献基础上分析模拟的含噪星系光谱。此处，我们展示了一项概念验证研究：a) 对星系 SED 的高效分析以及具有物理可解释不确定性的星系参数推断；b) 以少量星系的 MCMC 拟合的 modest 代价摊销计算上述星系参数的后验分布。我们利用 SED 生成器与推断框架 Prospector 生成模拟光谱，并用 NPE 训练了 2$\times$10$^6$ 条光谱（对应于一个 5 参数 SED 模型）的数据集。我们表明，SBI——结合快速且摊销的后验估计——能够推断准确的星系恒星质量与金属丰度。我们的不确定性约束与传统贝叶斯 MCMC 逆建模相当或略弱（例如，对给定星系，恒星质量与金属丰度分别为 0.17 和 0.26 dex）。我们还发现，我们的推断框架可进行快速 SED 推断（通过 SBI/SNPE 处理 0.9-1.2$\times$10$^5$ 条星系光谱，代价仅为 1 次基于 MCMC 的拟合）。通过本工作，我们为在 JWST 星系巡天计划与宽场 Roman 空间望远镜光谱巡天时代聚焦于利用 SBI 进行星系光谱 SED 拟合的进一步工作奠定了基础。