Katachi：利用可解释 CNN 解码过去恒星形成在星系当前形态上的印记

负责塑造星系如何随时间形成和熄灭的物理过程，在我们用于研究星系的空间（星系形态）和时间（恒星形成史；SFH）示踪器上都留下了印记。虽然形态与 SFR 之间的联系已被充分研究，但与过去恒星形成活动的相关性尚不明确。为了量化这一点，我们提出了 Katachi，这是一个可解释的卷积神经网络 (CNN) 框架，它学习不同空间和时间尺度上星系中调节恒星形成的因素之间的联系。Katachi 在 SDSS-IV MaNGA DR17 样本中 0.02$<$z$<$0.1 的 9904 个星系上进行训练，以预测恒星质量 (M$_*$; RMSE 0.22 dex)、当前恒星形成率 (SFR; RMSE 0.31 dex) 和半质量时间 (t$_{50}$; RMSE 0.23 dex)。这些信息使我们能够仅从 \textit{gri} 图像中为每个星系重建非参数化 SFH。为了量化为 SFH 预测提供信息的形态特征，我们使用了 SHAP (SHapley Additive exPlanations)。我们恢复了由星系核球增长主导的 M$_*$ 的预期趋势，以及 SFR 与旋臂和其他恒星形成区域的相关性。我们还发现 D4000 的 SHAP 图比 M$_*$ 和 SFR 的更为复杂，并且即使在固定质量和 SFR 的情况下，形态也与 t$_{50}$ 相关。Katachi 作为一个可扩展的公开框架，用于从包括 Rubin、Roman 和 Euclid 在内的大型成像巡天中预测星系属性，这些巡天在有限的测光波段内拥有高信噪比成像的大型数据集。