利用深度学习发现极环星系
摘要
我们的研究目标是利用现有的极环星系（PRG）星表创建一个强候选和良好候选PRG的目录，开发一种基于图像的机器学习方法，用于在大型巡天中搜索和发现PRG，并探索CIGALE软件确定其多波段特性的能力。我们首次将深度学习方法应用于PRG的搜索。我们通过目视检查现有PRG星表中的星系，基于高质量的SDSS图像创建了一个训练样本。由于得到的训练样本极小（87个强和良好的PRG），我们应用了数据增强、图像分割和集成学习技术。然而，最有效的方法是迁移学习，它能够通过GALFIT生成的合成图像来扩大训练样本。为了检验深度学习方法寻找新PRG的能力，我们使用了红移z < 0.1的SDSS星系目录。使用合成图像的方法表明，即使存在过训练，我们也能找到具有环状结构的星系。我们的深度学习方法最终发现了三个PRG（SDSS J140644.42+471602.0；SDSS J133650.48+492745.3；SDSS J095717.30+364953.5）。此外，我们目视检查了z < 0.1的SDSS环星系目录，并在约2200个环星系中发现了四个PRG（SDSS J095851.32+320422.9；SDSS J104211.05+234448.2；SDSS J162212.63+272032.2；SDSS J104600.10+090627.2）。利用CIGALE软件对通过迁移学习发现的其中一个星系SDSS J140644.42+471602.0进行了研究，以确定其在红外-紫外波段的谱能量分布。其当前恒星形成率（SFR）为每年71个太阳质量，尽管缺乏远紫外（FUV）数据限制了这一估计。总恒星质量为8.34×10¹⁰个太阳质量。年老恒星族占主导地位（占总质量的三分之二），表明这个PRG正在经历相互作用过程。
引用
@article{arxiv.2505.05890,
title = {Discovery of the Polar Ring Galaxies with deep learning},
author = {D. V. Dobrycheva and O. O. Hetmantsev and I. B. Vavilova and A. Shportko and O. Gugnin and O. V. Kompaniiets},
journal= {arXiv preprint arXiv:2505.05890},
year = {2025}
}
备注
11 pages, 11 figures. The article is submitted to Astron. & Astrophys