pop-cosmos：基于数据驱动的人口模型进行星系属性与红移推断的可扩展方法

我们提出了一种高效的贝叶斯方法，用于在经过光学数据训练的人口模型（pop-cosmos）下，估计单个光度红移和星系属性。该模型使用基于评分的扩散模型指定16个星光生态学（SPS）参数的先验分布，并包含对 nebular emission 的详细处理。我们采用 GPU 加速的仿射不变集合抽样器，在该模型下对 COSMOS2020 目录中的 292,300 个单个星系进行快速后验抽样，借助神经网络模拟器（Speculator）加速 SPS 计算。我们同时应用 pop-cosmos 人口模型和基于 Prospector-$\alpha$ 所启发的基线先验，并将结果与广泛使用的 EAZY 和 LePhare 代码发布的 COSMOS2020 红移估计进行比较。对于约 12,000 个具有光谱红移的星系，我们发现 pop-cosmos 提供的红移估计偏差最小（$\sim10^{-4}$），准确率高（$\sigma_\text{MAD}=7\times10^{-3}$），且异常率低（$1.6\%$）。我们证明 pop-cosmos 人口模型对训练集中 $r<25$ 玫瑰度的更 faint 星系具有良好泛化能力。我们分析的样本规模是通过采用完整 SPS 模型进行后验抽样以前所能实现的约 $3\times$ 的规模，在 pop-cosmos 先验下平均吞吐量为 15 GPU 秒/星系，在 Prospector 先验下为 0.6 GPU 秒/星系。这为对即将到来的第 IV 级星系调查所产生的巨型目录进行原则性建模铺平了道路。