基于机器学习计算本地星系的距离模数

快速增长的计算设施和日益增多的河外观测鼓励应用数据驱动的方法来揭示天文数据中隐藏的关系。在这项工作中，我们提出了从大量可用观测数据中重建大量星系距离的问题。我们提出了一种新的数据驱动方法，基于机器学习回归来计算本地星系的距离模数，作为物理导向方法的替代方案。我们使用大量星系的关键可观测参数作为训练输入解释变量：U、B、I 和 K 波段的星等、相应的色指数、表面亮度、角大小、径向速度和坐标。我们对五种机器学习回归技术进行了详细测试，以推断 $m-M$：线性、多项式、k 近邻、梯度提升和人工神经网络回归。作为测试集，我们从 NASA/IPAC 河外数据库中选取了 91 760 个红移 $z<0.2$ 的星系，其距离模数由不同的独立红移方法测量。我们发现，最有效和最精确的是具有两个隐藏层的神经网络回归模型。获得的均方根误差为 0.35 mag，对应于 16% 的相对误差，该误差不依赖于星系的距离，并且与基于 Tully-Fisher 和基本平面关系的方法相当。所提出的模型在缺少光谱红移的情况下显示出 0.44 mag（20%）的误差，是对现有测光红移方法的补充。我们的方法在为大约 250 000 个红移 $z<0.2$ 的星系获取距离模数方面具有巨大潜力，这些星系的上述参数已经被观测到。