GAMA 巡天星系特征数据中可复现的 $k$-means 聚类

局域宇宙中星系的基本双峰性在许多用于描述它们的特征中显而易见。在此框架内存在多个子群体，每个代表遵循不同演化路径的星系。准确识别和表征这些子群体需要同时分析大量星系特征。未来的星系巡天如 LSST 和 Euclid 将产生传统星系分类方法变得不可行的数据量。为此，我们将鲁棒的 $k$-means 无监督聚类方法应用于从 Galaxy And Mass Assembly (GAMA) 巡天选出的 7338 个局域宇宙星系样本导出的特征数据。这使我们能够将样本划分为 $k$ 个簇而无需在预标记数据上训练，促进对高维特征空间的全面普查并防范随机效应。我们发现局域星系群体自然分裂为 $2$、$3$、$5$ 以及最多 $6$ 个子群体，每个对应于一个不同的正在进行演化机制。值得注意的是，局域环境的影响似乎与低质量 ($M_{*} < 10^{10}$ M$_{\odot}$) 星系的演化强烈相关，而更高质量系统似乎更被动地从蓝云演化到红序。对于我们的星系样本，每个 $k$ 值典型运行时间约 3 分钟，我们展示了 $k$-means 无监督聚类是未来分析大型河外数据集的理想工具，可扩展、适应性强，并提供对局域星系群体基本性质的关键洞察。