暗能量巡天中的矮星系：基于多波段图像分类矮星系的机器学习方法

在近期的大型巡天中，无数低面亮度天体——包括旋涡星系、矮星系和噪声模式——已被探测到。传统上，天文学家通过目视检查这些探测结果以区分真实的低面亮度星系与伪迹。Tanoglidis等人（2020）利用暗能量巡天（DES）和机器学习技术展示了计算机如何自动完成此任务。在此，我们基于其开创性工作，进一步将探测到的低面亮度星系分为旋涡星系、矮椭圆星系和矮不规则星系。为此，我们手动分类了来自DES多波段图像的5567个探测目标，并寻找能够完成该任务的神经网络架构。通过超参数搜索，我们找到了一类卷积神经网络，其取得与手动分类相似的结果：对旋涡星系准确率为85%，对矮椭圆星系为94%，对矮不规则星系为52%。对于矮不规则星系——由于其形态多样——该任务对人类和机器都十分困难。我们简单的架构表明，机器学习能将研究大型数据集的天文学家工作负担降低数个数量级，正如不久的将来Euclid等任务将提供的数据那样。