基于深度学习的从球状星团系统运动学估算星系质量的新方法

我们提出了一种新方法，可通过星系的球状星团系统（GCSs）的运动学估算包括暗物质在内的星系总质量。在该方法中，我们将卷积神经网络（CNNs）应用于由盘状和椭圆星系数值模拟预测的 GCSs 视线速度（$V$）和速度弥散（$\sigma$）的二维（2D）图。在此方法中，我们首先使用仅大量（$\sim 200,000$）合成的 $\sigma$ 的 2D 图（“单通道”）或 $\sigma$ 与 $V$ 两者的图（“双通道”）来训练 CNN。然后我们使用该 CNN 对训练 CNN 时未使用的完全未知的数据集预测星系总质量（即测试 CNN）。主要结果表明，单通道和双通道数据的总体准确率分别为 97.6% 和 97.8%，表明该新方法具有前景。单通道和双通道数据的平均绝对误差（MAEs）分别为 0.288 和 0.275，均方根误差（RMSEs）值对于单通道和双通道分别为 0.539 和 0.51。双通道数据这些更小的 MAE 和 RMSE（即更好的性能）表明，该新方法能在质量估算中恰当考虑 GCSs 的整体旋转。我们还将所提方法应用于从 NGC 3115 观测收集的真实数据，以比较我们所提方法预测的与其他文献中流行方法的总质量。