星系光度轮廓卷积神经网络（GaLNets）。I. 用于十亿星系样本的快速准确结构参数
星系天体物理
2022-05-04 v4
摘要
下一代大型巡天将观测多达数十亿星系，需要其基本结构参数以研究其演化。这是一项具有挑战性的任务，对于地基观测，其因受大气视宁度限制的点扩散函数（PSF）而复杂化。为对星系表面亮度进行快速准确分析，我们开发了一系列有监督卷积神经网络（CNN）以推导星系的 Sersic 轮廓参数。本工作展示了该系列的前两个星系光度轮廓卷积神经网络（GaLNets）。第一个仅使用星系图像训练（GaLNet-1），第二个使用星系图像和局部 PSF 共同训练（GaLNet-2）。我们将 GaLNets 的结果与 Kilo-Degree Survey (KiDS) 中一组星系通过 2DPHOT（作为“标准”PSF 卷积 Sersic 拟合工具的代表）推导的结构参数（总星等、有效半径、Sersic 指数等）进行比较。比较表明 GaLNet-2 可达到与 2DPHOT 一样高的精度，而 GaLNet-1 表现较差因其缺失局部 PSF 信息。两个 GaLNets 在计算速度上比标准方法快三个数量级。这一 CNN 在地基星系表面测光中的首次应用表明，它们是对极大星系样本（如 Vera Rubin/LSST 巡天预期的那些）进行参数化分析的有前途工具。然而，GaLNets 可轻易修改用于来自 Euclid 和中国空间站望远镜的空间观测。
引用
@article{arxiv.2111.05434,
title = {GAlaxy Light profile convolutional neural NETworks (GaLNets). I. fast and accurate structural parameters for billion galaxy samples},
author = {R. Li and N. R. Napolitano and N. Roy and C. Tortora and F. La Barbera and A. Sonnenfeld and C. Qiu and S. Liu},
journal= {arXiv preprint arXiv:2111.05434},
year = {2022}
}
备注
Accepted for publication by APJ