ERGO-ML：通过对比学习比较 IllustrisTNG 与 HSC 星系图像

现代宇宙学流体动力学星系模拟在宇宙时间内提供了数万个相当逼真的合成星系。然而，定量评估模拟宇宙相较于真实宇宙的真实程度是困难的。在 ERGO-ML 系列（利用机器学习从星系观测量中提取现实）的本文中，我们利用对比学习，基于恒星光图像直接比较大样本的模拟与观测星系。这消除了指定汇总统计量的需要，并允许利用观测的全部信息内容。我们使用宇宙学模拟 TNG50 与 TNG100 生成了类似真实 Hyper Suprime-Cam（HSC）观测的巡天逼真星系模拟数据集。我们关注 $z=0.1-0.4$ 处恒星质量在 $10^9$ 与 $10^{12} M_\odot$ 之间的星系。这使我们能够评估模拟 TNG 星系相较于实际 HSC 观测的真实程度。我们将自监督对比学习方法 NNCLR 应用于模拟与观测数据集（g、r、i 波段）的图像。这产生了一个 256 维表示空间，编码了所有相关可观测星系属性。首先，这使我们能够通过在该多维空间中寻找相似图像来识别与真实星系密切相似的模拟星系。更为强大的是，我们量化了这两组图像表示之间的对齐程度，发现大多数（$\gtrsim 70$ 百分比）TNG 星系与观测 HSC 图像对齐良好。然而，一部分具有更大尺寸、更陡 Sersic 轮廓、更小 Sersic 椭率及更大不对称的模拟星系显得不真实。我们还通过以模拟 TNG 星系作为真值推断真实 HSC 星系的属性，展示了所得图像表示的效用。