利用人工神经网络在半解析模型中实现尘埃再处理的快速辐射转移

对于旨在模拟多波长巡天并彻底探索模型参数空间的半解析星系形成模型而言，恒星辐射穿过尘埃介质的辐射转移的数值求解极其耗时，这是一个严重的问题。为了克服这一问题，我们在辐射转移代码 GRASIL 中实现了人工神经网络算法，以显著加快红外 SED 的计算。我们实现的 ANN 具有通用性，其输入神经元被定义为那些实际决定红外 SED 形状的物理量。因此，ANN 的训练可以使用任何模型进行，然后应用于其他模型。我们进行了盲测以检验该算法，将使用标准化学演化模型（即 CHE_EVO）训练的网络应用于从 SAM MORGANA 提取的模拟目录，并比较了多个近红外到亚毫米波段的星系计数和光度函数演化，以及大量随机提取模型的光谱差异。ANN 能够极好地近似完整计算，且 CPU 时间增益约 $\sim 2$ 个数量级。唯一需要注意的是，训练应合理覆盖应用中输入神经元的取值范围。事实上，在亚毫米波段的高红移处，极少数具有某些敏感输入神经元超出已训练网络范围的模型会导致 ANN 给出错误结果。这些是具有高光学深度的极端星暴模型，被亚毫米波段观测有利地选中，且难以先验预测。