HAYATE：融合机器学习与模板拟合的光度红移估计

直接在光谱红移上训练的机器学习 photo-z 方法为传统模板拟合方法提供了可行的替代方案，但在偏离训练集的新数据上可能泛化效果不佳。在本工作中，我们提出了一种结合模板拟合与数据驱动方法的混合算法用于基于人工神经网络与模板拟合的广域 photo-z 估计（Hybrid Algorithm for WI(Y)de-range photo-z estimation with Artificial neural networks and TEmplate fitting, HAYATE），其训练损失在红移点估计和概率分布两方面进行优化。我们利用 $z<1.3$ 的低红移星系 SED 生成人工训练数据，并将其人工红移至 $z=5$。我们在 ZFOURGE 巡天数据上测试了该模型，结果表明在超出足够光谱完整性范围的宽红移区间内，HAYATE 可作为 EAZY 的可靠模拟器。在初始的低红移区域（$z<1.3$），该网络实现了精确的 photo-z 估计，其误差（$\sigma_{NMAD}$）小于 EAZY，而在高红移外推区域（$1.3<z<5$）也具有可比性。同时，与 EAZY 相比，它提供了更稳健的 photo-z 估计，具有更低的异常值率（$\eta_{0.2}\lesssim 1\%$），且运行速度比原始模板拟合方法快约 100 倍。我们还证明 HAYATE 提供了更可靠的红移 PDF，其概率积分变换分数分布比 EAZY 更平坦。利用 spec-z 样本进行迁移学习可进一步提升性能。我们期望未来大型巡天将受益于这种适用于宽红移范围观测的新方法。