从 VIPERS 到 SDSS：通过无监督机器学习揭示 90 亿年间的星系光谱演化

目标：本研究旨在追踪宇宙时间内星系光谱随时间的演化。以 VIPERS 数据集为重点，我们试图了解窄红移区间内星系的多样化种群，并将我们的发现与先前映射的 SDSS 星系多样性进行比较。方法：我们使用 Fisher-EM（一种无监督的基于子空间模型的分类算法）对来自 VIPERS 的 79,224 条光谱数据集进行分类。该数据集按 0.4 到 1.2 的红移区间划分为 26 个样本，并独立进行分类。通过 k-近邻方法将后续区间的类别连接起来，构建出不同时期类别的年代树。结果：基于光学光谱，出现了三个主要的年代星系分支： 红色被动星系， 蓝色恒星形成星系，以及 极蓝星系，可能与 AGN 活动有关。每个分支都分化出区分更精细属性（如 D4000 断裂、颜色、恒星形成率和恒星质量）的子分支，和/或随宇宙时间消失。值得注意的是，这些类别与先前 SDSS 分析中识别出的分支惊人地一致，表明跨数据集的分类具有稳健性和一致性。由 VIPERS 数据构建的年代“树”为这些光谱类别的时间演化提供了有价值的见解。结论：VIPERS 和 SDSS 数据集之间的协同作用增强了我们对星系光谱演化路径的理解。两个数据集中独立得出的分支之间显著的对应关系，突显了我们无监督机器学习方法的可靠性。三个子树展示了复杂的分支结构，突出了不同的物理和演化行为。本研究有助于更广泛地理解星系演化。