利用可解释机器学习模型洞察银河性质随环境的依赖性

银河位于暗物质星系中，但其性质不仅受其星系自身属性的影响，也受周围环境的影响。我们构建了可解释的神经网络框架来表征银河周围的环境，并调查其性质受邻近银河影响的程度，以IllustriTNG300数据（$z=0$）为例。我们的模型预测给定宿主星系及其周围银河暗物质子星系属性的银河性质（恒星质量和星际形成率），从而构成一个可解释、灵活的银河-星系连接模型。我们发现，仅包含最近邻银河时，恒星质量预测的准确率最高；而星际形成率预测则受益于来自第三最近邻银河的信息。我们确定，环境影响呈清晰的层次模式，其中最近的邻居提供的最大贡献随着更多邻居的加入而迅速衰减。我们确认，中心银河和卫星银河，以及基于质量和星际活动的不同银河类别，都呈现出不同的环境依赖性。对于低质量银河（$\log(M_*/M_\odot) < 10$），环境贡献率为35-50%，而巨型中心银河仅为8-30%；卫星银河在所有星系 Population中都经历更强的环境效应。此外，我们发现，最能预测目标银河性质的邻近子星系属性是其到最近邻银河的距离。这些定量结果为构建更精细的经验模型和半经验模型提供了指导，这些模型显式地将环境依赖性作为银河类型和质量的函数纳入考虑。