利用深度学习从测光数据集中挖掘 $z\sim4$ 的原星系团

原星系团是高红移（$z$）过密区域，到 $z=0$ 时将演化为星系团，使其成为研究由环境效应加速的星系演化的理想对象。然而，由于红移不确定性较大，仅靠测光在 $z>3$ 之外识别原星系团一直具有挑战性，阻碍了统计研究。为了解决这个问题，我们开发了一种新的基于深度学习的原星系团探测模型 PCFNet，该模型将原星系团视为点云。为了仅使用光学宽带测光探测 $z\sim4$ 的原星系团，我们基于带有半解析模型的 N 体模拟，利用模拟的 $g$-dropout 星系对 PCFNet 进行了训练和评估。我们使用了天空中目标星系周围的天空分布、$i$ 波段星等、$(g-i)$ 颜色以及红移概率密度函数。PCFNet 在保持高纯度（召回率 $=7.5\pm0.2$%，精度 $=44\pm1$%）的同时，探测到的原星系团成员候选体数量是传统方法的五倍。此外，PCFNet 能够探测到更多质量低于 Coma 星系团等超大质量星系团的前身星系（$M_\mathrm{halo}^{z=0}=10^{14-14.5}\,M_\odot$）。我们将 PCFNet 应用于 HSC-SSP Deep/UltraDeep 层（$\sim17\mathrm{\,deg^2}$）的观测测光数据集，并在 $z\sim4$ 处探测到 $121$ 个原星系团候选体。我们发现，我们探测的原星系团成员候选体的静止系 UV 光度比场星系更亮，这与先前的研究一致。此外，在模拟中，卫星星系的熄灭既取决于 $z\sim4$ 时核心星系的晕质量，也取决于到 $z=0$ 时累积的质量。PCFNet 非常灵活，可以通过 Euclid、LSST 和 Roman 在其他红移处或未来的广泛巡天中寻找原星系团。