利用对比学习探索 eCALIFA 银河系属性

对比学习（CL）已成为构建银河系属性有意义潜在表示的强大工具，适用于从光学、红外到射电等广泛波段范围内的银河系属性。这些表示促进了各种下游任务，包括银河系分类、相似性搜索和参数估计，这就是为什么它们常被称为基础模型。本研究在最新扩展的 CALIFA 调查数据上应用 CL，涵盖 895 个具有增强空间分辨率的银河系。我们展示了即使在小训练集的情况下，CL 也可用于 IFU 调查，以获得意义上的嵌入，其中银河系在其物理属性上得到良好分离。我们发现，嵌入空间中最强的相关性为 Hα 形态的 EW、星际金属丰度、年龄、恒星表面质量密度、[NII]/Hα 比值和恒星质量，按相关性强度排序。此外，我们说明了在无监督方式下将银河系 population key 区分为 SFMS（星形成主序列）上的 BC 和 RS 成功识别为两个簇情形，以及 GV population 识别为三个簇情形。我们的发现表明，银河系亮度轮廓对构建嵌入空间的影响最小，表明形态和光谱特征在区分银河系 population 方面发挥更重要的作用。此外，我们探讨了 CL 用于检测银河系 population 分布在不同环境（空洞、星系团、光束和墙壁）之间的变化。尽管如此，我们也认识到 CL 及其特定训练集在检测银河系属性中细微差异的局限性，例如 AGN 或其他小尺度变化，这些超出主要参数（如恒星质量或形态）的范围。