原位还是吸积?利用深度学习从可观测量推断河外球状星团的起源

球状星团(GCs)是星系组装过程的强有力示踪体,并已被用于获取银河系前身星的详细图像。利用体积为(34.4 Mpc)$^3$、追踪星系及其星团族形成与共同演化的E-MOSAICS宇宙学模拟,我们开发了一种将GCs起源与其可观测性质联系起来的方法。我们使用在模拟上训练的监督深度学习算法捕捉这一复杂联系,并仅基于河外可观测性质预测单个GCs的起源(它们是在主前身星中形成还是从卫星星系吸积而来)。一个在$\sim50,000$个由$\sim 700$个模拟星系宿主的GCs上训练的人工神经网络分类器,在测试集上成功预测GCs起源,对[Fe/H]<-0.5且具有明确分类的对象平均准确率达$89$%。该网络主要依赖星团的α元素丰度、金属丰度、投影位置和投影角动量来预测其起源。使用银河系GCs已知前身星关联的实测试验达到高达$90$%的准确率,并成功将内星系中与Kraken前身星关联的大部分GCs以及所有Gaia-Enceladus GCs识别为吸积而来。我们证明该模型对观测不确定性具有鲁棒性,并开发了预测跨观测星系分类准确率的方法。该分类器可针对可用可观测性质进行优化(例如通过包含GC年龄来提高准确率),使其成为在即将到来的宽场巡天中重建星系组装历史的有价值工具。