利用半随机修正优化星系形成历史的神经网络预测

我们提出了一种新方法，通过引入半随机修正来解释短时标变率，从而改进星系形成历史的预测。本文解决了现有模型在捕捉星系演化总体趋势方面的局限性，这些模型无法重现恒星形成和化学富集的爆发性特征，导致对恒星质量、光谱和颜色分布等关键观测量的预测不准确。我们引入了一种利用星系形成历史功率谱来添加随机分量的简单技术。我们通过研究 IllustrisTNG 模拟中晕质量组装与恒星形成历史相位之间的相关性来论证我们的随机方法，并发现它们仅在长于 6 Gyr 的时标上相关，且强烈依赖于星系类型。我们将该方法应用于一个在流体动力学模拟上训练的神经网络预测中，该网络此前未能恢复恒星形成与化学富集历史的高频分量。我们的方法成功恢复了短时标下星系性质的合理变率。它显著提高了预测的恒星质量、金属丰度、光谱和颜色分布的准确性，并为生成大规模、逼真的模拟星系目录提供了实用框架，同时增强了我们对星系演化与暗物质晕组装之间复杂相互作用的理解。