星系光度轮廓神经网络(GaLNets)。II. 光学空间观测中的核球-盘分解
星系天体物理
2026-02-10 v2
摘要
核球-盘(B-D)分解是表征星系形态并理解其随时间演化的有效诊断工具。迄今为止，高质量数据使得红移0.5以下的详细B-D分解成为可能，在更高红移处仅能在小体积内有限地开展。下一代大型光学空间巡天，例如来自中国空间站望远镜(CSST)和近红外空间EUCLID任务，将带来这些研究的巨大飞跃，因为它们将在超过15000平方度的天区提供深场、高质量测光图像，包含数十亿星系。在此，我们扩展星系光度轮廓神经网络(GaLNet)的使用，以预测2-S\'ersic模型参数，特别是从CSST数据中得到。我们在CSST模拟观测上模拟点扩散函数(PSF)卷积星系，具有真实的B-D参数分布，以训练新的GaLNet并预测核球与盘两成分的结构参数(如星等、有效半径、Sersic指数、轴比等)。我们发现GaLNet对大多数B-D参数在波段星等23.5及红移1以下均能取得非常好的精度。最佳精度针对星等获得，意味着准确的核球占总质量比(B/T)估计。为进一步预测CSST性能，我们还讨论了1-S\'ersic GaLNet的结果，并表明CSST半深度数据将使我们能够推导至24和红移z1.7的精确单成分模型。
引用
@article{arxiv.2306.05909,
title = {Galaxy Light profile neural Networks (GaLNets). II. Bulge-Disc decomposition in optical space-based observations},
author = {Chen Qiu and Nicola R. Napolitano and Rui Li and Yuedong Fang and Crescenzo Tortora and Shiyin Shen and Luis C. Ho and Weipeng Lin and Leyao Wei and Ran Li and Zuhui Fan and Yang Wang and Guoliang Li and Hu Zhan and Dezi Liu},
journal= {arXiv preprint arXiv:2306.05909},
year = {2026}
}