利用机器学习技术预测星系的全球远红外光谱能量分布
星系天体物理
2020-02-12 v1
摘要
尘埃在塑造星系光谱能量分布 (SED) 中起着重要作用。它吸收紫外 (UV) 到近红外 (NIR) 辐射，并在远红外 (FIR) 重新发射这部分能量。FIR 对于理解星系中的尘埃至关重要。然而，深 FIR 观测需要空间任务，而现今已无此类活跃任务。我们旨在基于可用的 UV 到中红外 (MIR) 观测，推断跨越六个 Herschel 波段的 FIR 发射，以及尘埃光度、质量和有效温度。我们也希望估计这些预测的不确定性，将我们的方法与能量平衡 SED 拟合进行比较，并确定该模型可能的局限性。我们提出一种机器学习框架，从 14 个 UV-MIR 宽带通量预测 FIR 通量。我们通过结合 DustPedia 和 H-ATLAS 使用了一个低红移样本，并通过 SED 拟合提取了贝叶斯通量后验。我们训练了浅层神经网络来预测远红外通量、不确定性和尘埃性质。我们在测试集上使用对数空间中的均方根误差 (RMSE) 对它们进行评估。我们的结果 (RMSE = 0.19 dex) 显著优于 UV-MIR 能量平衡 SED 拟合 (RMSE = 0.38 dex)，并且本质上无偏。我们可以识别预测出错的情况，例如当输入在 WISE 22 上具有大不确定性，或当输入与训练集不相似时。拥有 UV-FIR 观测的星系可用作缺乏 FIR 数据的星系的蓝图。这产生了一个“虚拟 FIR 望远镜”，可应用于大型光学-MIR 星系样本。这有助于填补直至下一次 FIR 任务之前的空白。
引用
@article{arxiv.1910.06330,
title = {Predicting the global far-infrared SED of galaxies via machine learning techniques},
author = {W. Dobbels and M. Baes and S. Viaene and S. Bianchi and J. I. Davies and V. Casasola and C. J. R. Clark and J. Fritz and M. Galametz and F. Galliano and A. Mosenkov and A. Nersesian and A. Trčka},
journal= {arXiv preprint arXiv:1910.06330},
year = {2020}
}
备注
25 pages, 16 figures, accepted by A&A. Interactive figures + jupyter notebooks at https://wdobbels.github.io/FIREnet/