利用卷积神经网络高效搜寻本地宇宙中的极贫金属星系

邻近的极贫金属星系 (XMPs) 使我们能够比在高红移条件下更详细地研究原始星系的形成与演化。本工作首次提倡使用卷积神经网络 (CNNs)，基于预测的 N2 指数 (N2\,$\equiv\log$\{rNii/Ha\})，在多波段成像数据中高效搜寻 XMPs。我们开发了一个序列化表征流程，由三个 CNN 程序组成：(i) 一个贫金属星系分类器，(ii) 一个 XMP 分类器，以及 (iii) 一个 N2 预测器。该流程应用于超过 770 万条无 SDSS 光谱的 SDSS DR17 成像数据。预测的 N2 值用于筛选有希望的观测候选体。此方法通过在 2023 年至 2024 年间使用 2.54 米艾萨克·牛顿望远镜 (INT) 和 4.1 米南方天体物理研究 (SOAR) 望远镜对 45 个红移小于 0.065 的候选体进行新观测而得到验证。所有 45 个候选体均被确认为贫金属星系，其中包括 28 个新发现。有 18/45 个星系缺乏可探测的 rNii 线 ($S/N<2$)；对于这些星系，我们报告了其氧丰度的 $2\sigma$ 上限。基于 N2 指数，我们的 XMPs 估计氧丰度为 $7.1\leq OH \leq 8.7$ ($2\sigma$ 上限)，其中 21 个的估计金属丰度 $<0.1 Z_{\odot}$。此外，我们识别出 4 个潜在的金属丰度 $\lesssim 0.1 Z_{\odot}$ 的低金属丰度 AGN 候选体。最后，我们发现观测样本在 $g$ 波段通常比其他波段更亮，类似于蓝莓 (BB) 星系，与绿豌豆星系和高红移 Ly$\alpha$ 发射体相似。