利用卷积神经网络与宇宙学模拟学习星系光谱与恒星形成历史的关系

我们提出一种利用机器学习方法结合两个宇宙学流体动力学模拟来推断星系恒星形成历史(SFH)的新方法。我们训练卷积神经网络，从EAGLE与Illustris模型学习合成星系光谱与高分辨率SFH之间的关系。为评估SFH重建，我们使用对称平均绝对百分比误差(SMAPE)，其在低误差区间内表现为真实的百分比误差。在尘埃衰减光谱上我们取得了较高的测试精度（中位SMAPE $= 10.5\%$）。加入模拟观测噪声效应会使误差增大($12.5\%$)，然而通过包含噪声的多次实现可缓解该问题，其增大了训练集规模并减轻了过拟合($10.9\%$)。我们也对观测与建模误差作出估计。为进一步评估泛化性质，我们将在一个模拟上训练的模型应用于另一模拟的光谱，仅导致误差小幅上升（中位SMAPE $\sim 15\%$）。我们将各训练模型应用于SDSS DR7光谱，发现比VESPA星表中的历史更为平滑。这一新方法补充了现有SED拟合技术的结果，提供了直接由最新宇宙学模拟结果所驱动的恒星形成历史。