基于星际运动学推断星际光——深度学习方法

从星际光中辨认中心星系的星际光，有助于阐明宿主星系系的形成历史，因为星系不同组成的性质可预期会保留其形成历史的痕迹。目前已采纳多种方法，取决于不同的物理假设（如光照剖面、化学组成及运动学差异），以及是否已知完整的六维相空间信息（类似于模拟情形）或仅分析投影量（即观测数据）。本文为新方法铺平道路，旨在搭建观测方法与模拟方法之间的鸿沟。我们提出利用模拟中星星的投影运动学信息结合深度学习，以创建稳健的方法，识别观测数据中的星际光。我们采用U-Net，构建了一种从水动力学模拟的样本中训练、验证和测试的预测方法。采用增强训练（注意力U-Net），以改善初步结果，因为模拟图像的最内侧中心区域一致性地高估了星际光的贡献。我们的工作表明，针对代表性模拟图像样本的充分训练可导致对星际光分布的良好预测。模型对训练规模有一定依赖，当应用于不同模拟情形的模拟图像时，其预测准确性较差。然而，所有测试中均恢复了主要特征（空间尺度和星系光贡献的梯度）。尽管本文所述方法应视为概念验证，但仍需进一步工作以实现对观测数据的实际应用。