用于识别局部宇宙中主序星系的中红外诊断工具

星系的中红外光谱包含其辐射场、星形成和尘埃特性的关键信息，对星系活动性具有强约束力。本项目描述了一种诊断工具，用于识别局部宇宙中的主序（MS）星形成星系（SFGs），其依据的是特征于星系活动性的红外尘埃特征。生成一组物理动机下的模拟星系光谱，以模拟SFGs的红外辐射。基于此数据集，我们开发了一种基于机器学习的MS SFGs诊断工具。定义了定制光学波段以捕获尘埃特征，包括多环芳烃（PAH）和尘埃连续光谱。选取三个波段分别追踪6.2 μm、7.7 μm、8.6 μm及11.3 μm的PAH特征，并增设一个波段探测负责加热尘埃的辐射场强度。该诊断随后被应用于观测星系，评估其在实际应用中的有效性。我们的诊断在MS SFGs上实现高性能，准确率达90.9%（观测样本为SFGs），且误报率低，仅16.2%的AGN星系被误判为星形成。将观测数据与星系演化模型相结合，可创建与真实星系光谱相符的物理动机下的SFGs样本。通过针对关键尘埃特征的定制光学波段，本诊断无需测量发射线即可提取宝贵信息。尽管PAH是星形成和星际介质辐射硬度的敏感指示器，但PAH发射本身不足以单独识别MS SFGs。最后，我们构建了一个从紫外到far红外波段覆盖的物理动机下MS SFGs光谱库。