星系自旋分类 I：基于手性等变残差网络的Z型与S型旋涡星系

星系角动量（星系自旋）包含宇宙初始条件的丰富信息，然而，对于正在进行的和即将开展的宇宙学巡天所绘制的巨量星系，高效测量自旋方向仍具挑战性。我们提出了一种基于机器学习的Z型与S型旋涡星系分类器，这有助于打破星系自旋方向测量中的简并性。所提出的手性等变残差网络（CE-ResNet）在输入图像反射下具有显式的等变性，保证了Z型和S型概率估计器之间不存在固有不对称性。我们使用斯隆数字巡天（SDSS）图像训练模型，训练标签由星系动物园1（GZ1）项目提供。训练过程中结合了多种数据增强技巧，使模型更稳健，可应用于其他巡天。我们发现，当使用暗能量光谱仪器（DESI）图像进行分类时，由于DESI更好的成像质量，两种类型的旋涡星系数量均增加了约30%。我们验证了Z型和S型旋涡星系数量之间约$7\sigma$的差异是由于人类偏差造成的，因为使用我们的CE-ResNet分类结果后，该差异降至$<1.8\sigma$。我们讨论了与未来宇宙学应用相关的潜在系统误差。