利用人工神经网络预测星系年龄

我们提出了一种利用机器学习 (ML) 算法预测星系年龄的新方法，旨在提供传统方法的替代方案。我们的目标是通过训练人工神经网络 (ANN) 来识别光谱指数等值宽度与星系质量加权年龄之间的关系，从而匹配传统模型的预测能力；其中星系年龄估计基于星系与质量组装 (GAMA) 巡天数据释放 3 (DR3) 中的 MAGPHYS 模型。我们广泛讨论了超参数的优化，并研究了应用自定义损失函数以减少输入数据误差的影响。为了量化预测质量，我们计算了均方误差 (MSE)、平均绝对误差 (MAE) 和 $R^2$ 分数，结果为 MSE = 0.020，MAE = 0.108，$R^2$ = 0.530。我们发现预测年龄的分布与 GAMA 真实年龄的分布相似，标准差分别为 $\sigma_p = 0.182$ 和 $\sigma_t = 0.207$。这一结果是在配备 32GB 内存、运行频率为 2.50GHz 的第 11 代 Intel Core i9-11900H 处理器上训练 ANN 约 23 秒实现的。我们报告了使用光加权年龄训练 ANN 的结果，这提高了预测的准确性。最后，我们详细评估了该方法与物理性质的关系，并与其他 ML 技术进行了比较，以鼓励未来在天文学中应用 ML 技术。