模拟星系星表的发射线预测：一种来自 DESI 的新的可微经验映射
星系天体物理
2024-06-05 v2
摘要
我们提出了一种简单、可微的方法，利用经验确定的映射从静止坐标系光学连续谱预测发射线强度。在开发包含稳健星系测光预测的模拟星系星表方面已开展了大量工作，但可靠地预测发射线强度仍然具有挑战性。我们的新映射是一个使用 JAX Python 自动微分库实现的简单神经网络。它在暗能量光谱仪早期发布数据上进行训练，以根据星系的静止坐标系光学连续谱预测八条最亮光学发射线（包括 H、H、[O II] 和 [O III]）的等值宽度。在考虑噪声的情况下，预测的等值宽度分布与观测分布一致，并且我们发现大多数谱线的预测值与观测值之间的 Spearman 秩相关系数 。使用非线性降维技术（UMAP），我们表明这对于观测光谱能量分布全范围内的星系都是成立的。此外，我们发现将测量不确定性添加到预测的谱线强度中，对于在 BPT 图中再现观测到的谱线比分布至关重要。我们训练的网络可以轻松并入可微恒星种群合成流水线中，而不会妨碍其可微性或 GPU 的可扩展性。使用此类流水线生成的合成星表可用于表征和解释用于训练和校准 photo- 的光谱训练集中的偏差，从而改进 Rubin 天文台 LSST 和其他巡天项目的系统不完整性建模。
引用
@article{arxiv.2404.03055,
title = {Emission Line Predictions for Mock Galaxy Catalogues: a New Differentiable and Empirical Mapping from DESI},
author = {Ashod Khederlarian and Jeffrey A. Newman and Brett H. Andrews and Biprateep Dey and John Moustakas and Andrew Hearin and Stéphanie Juneau and Luca Tortorelli and Daniel Gruen and ChangHoon Hahn and Rebecca E. A. Canning and Jessica Nicole Aguilar and Steven Ahlen and David Brooks and Todd Claybaugh and Axel de la Macorra and Peter Doel and Kevin Fanning and Simone Ferraro and Jaime Forero-Romero and Enrique Gaztañaga and Satya Gontcho A Gontcho and Robert Kehoe and Theodore Kisner and Anthony Kremin and Andrew Lambert and Martin Landriau and Marc Manera and Aaron Meisner and Ramon Miquel and Eva-Maria Mueller and Andrea Muñoz-Gutiérrez and Adam Myers and Jundan Nie and Claire Poppett and Francisco Prada and Mehdi Rezaie and Graziano Rossi and Eusebio Sanchez and Michael Schubnell and Joseph Harry Silber and David Sprayberry and Gregory Tarlé and Benjamin Alan Weaver and Zhimin Zhou and Hu Zou},
journal= {arXiv preprint arXiv:2404.03055},
year = {2024}
}
备注
17 pages, 8 figures, 1 table. Published in MNRAS