利用机器学习实现快速且精确的星系恒星质量估计
星系天体物理
2025-09-09 v1
摘要
揭示星系的演化历史需要精确了解其物理性质。传统上，天文学家通过光谱能量分布（SED）拟合来实现这一目标。然而，这种方法计算量大且耗时，特别是对于大型数据集。本研究探讨了机器学习（ML）算法作为传统 SED 拟合替代方案的可行性，用于估计星系的恒星质量。我们比较了多种无监督和监督学习方法，包括 K-means、HDBSCAN、参数化 t-分布随机邻域嵌入、主成分分析（PCA）、随机森林和自组织映射（SOM）等著名算法，并将执行 SED 拟合的成熟 LePhare 代码作为基准。我们使用 BC03 代码生成的测光空间中的简单模型 SED 训练了各种 ML 算法。随后，将这些训练好的算法用于估计 COSMOS 巡测数据集子集中星系的恒星质量。随后评估了这些 ML 方法的性能，并与 LePhare 的结果进行了比较，重点关注准确性和执行时间。我们的评估表明，ML 算法可以达到与 LePhare 相当的准确性，同时具有显著的加速优势（快 1,000 到 100,000 倍）。K-means 和 HDBSCAN 在我们选择的 ML 算法中表现最佳。随机森林等监督学习算法以及 Pt-SNE 和 SOM 等流形学习技术也显示出有希望的结果。这些发现表明，ML 算法作为一种可行的传统 SED 拟合方法的替代方案，在估计星系恒星质量方面具有广阔的前景。
引用
@article{arxiv.2506.21067,
title = {Leveraging Machine Learning for Accurate and Fast Stellar Mass Estimation of Galaxies},
author = {Vahid Asadi and Akram Hasani Zonoozi and Hosein Haghi and Fatemeh Abedini and Atousa Kalantari and Marziye Jafariyazani and Nima Chartab},
journal= {arXiv preprint arXiv:2506.21067},
year = {2025}
}