基于深度学习的半解析星系形成模型的高效探索与标定

我们实现了一种样本高效的方法，用于在广泛模型输出上对半解析星系形成模型进行快速而准确的仿真。我们使用集成深度学习算法，以少量训练样本对更新版 GALFORM 模型产生快速仿真器。我们利用该仿真器探索模型的参数空间，并应用敏感性分析技术以更好理解模型参数的相对重要性。通过在马尔可夫链蒙特卡洛框架中应用启发式加权方案并探索要求相对某些数据集改进拟合的效果，我们揭示了观测数据集之间的关键张力。此外，我们证明该方法可用于将模型参数成功标定至一份全面的观测约束清单。在此过程中，我们以自动且透明的方式重新发现了先前的 GALFORM 拟合，并通过加大对早期星系金属量拟合的权重发现了一种改进拟合。该深度学习仿真器所需的模型评估次数仅为类似仿真方法中的一小部分，以少于 1000 次模型评估在 K 波段光度函数拐点处实现了 0.06 dex 的样本外平均绝对误差。我们证明这是一种极其高效、廉价且透明的探索多维参数空间的方式，并可更广泛地应用于半解析星系形成模型之外。