PHANGS-ML：利用机器学习剖析近邻星系的多相气体与尘埃
星系天体物理
2024-02-08 v1
摘要
PHANGS 巡天利用 ALMA、HST、VLT 和 JWST 获取了前所未有的近邻星系高分辨率视图，覆盖数百万个空间独立区域。此类多样化多波长数据集的高维度使得识别新趋势变得极具挑战性，尤其是当这些趋势连接了来自不同波长的观测值时。在此，我们使用无监督机器学习算法来挖掘这一信息丰富的数据集，以识别新颖的模式。我们聚焦于三个 PHANGS-JWST 星系，从中提取了与其恒星种群、温电离气体与冷分子气体以及多环芳烃（PAHs）相关的属性，这些属性是在 150 pc 尺度的区域上测量的。我们表明，可以将这些区域划分为具有不同多相气体和 PAH 属性的组群。在此过程中，我们识别出了 PAH 波段与光学谱线比之间此前未知的星系尺度相关性，并利用我们识别出的组群对其进行了解释。我们测量的相关性可以在一个场景中得到自然解释：在该场景中，PAHs 和电离气体暴露于在星系各处空间变化的同一辐射场的不同部分。这一场景对近邻星系有几个启示：(i) 150 pc 尺度上均匀的 PAH 电离分数表明星际介质（ISM）中存在显著的自调节；(ii) PAH 11.3/7.7 波段比可用于约束非电离远紫外到光学部分辐射场的形状；(iii) 变化的辐射场会影响通常用作 PAH 尺寸诊断的谱线比。忽略这一效应会导致不正确或有偏的 PAH 尺寸。
引用
@article{arxiv.2402.04330,
title = {PHANGS-ML: dissecting multiphase gas and dust in nearby galaxies using machine learning},
author = {Dalya Baron and Karin M. Sandstrom and Erik Rosolowsky and Oleg V. Egorov and Ralf S. Klessen and Adam K. Leroy and Médéric Boquien and Eva Schinnerer and Francesco Belfiore and Brent Groves and Jérémy Chastenet and Daniel A. Dale and Guillermo A. Blanc and José E. Méndez-Delgado and Eric W. Koch and Kathryn Grasha and Mélanie Chevance and David A. Thilker and Dario Colombo and Thomas G. Williams and Debosmita Pathak and Jessica Sutter and Toby Brown and John F. Wu and J. E. G. Peek and Eric Emsellem and Kirsten L. Larson and Justus Neumann},
journal= {arXiv preprint arXiv:2402.04330},
year = {2024}
}
备注
Main results in figures 6 and 12. Submitted to ApJ, and comments are welcome!