利用 Transformer 揭示暗能量巡天中的低表面亮度星系

低表面亮度星系（LSBGs）被定义为比夜空更暗的星系，在理解星系演化与宇宙学模型中起着关键作用。Rubin 天文台时空遗产巡天（LSST）与 Euclid 等即将开展的大尺度巡天预计将观测到数十亿个天体。在此背景下，使用半自动方法识别 LSBGs 将极具挑战且耗时，亟需自动化或基于机器学习的方法以克服该挑战。我们研究了利用 transformer 模型从暗能量巡天（DES）数据发布 1 中分离 LSBGs 与伪影。利用 transformer 模型，我们进而从 DES 中搜寻先前搜寻可能遗漏的新 LSBGs。我们研究了新发现 LSBGs 的性质，并分析了 DES 中 LSBG 总样本的性质。我们在 DES 中识别出 4,083 个新 LSBGs，使 DES 中已知 LSBGs 增加了约 $\sim17\%$。这也使 DES 中 LSBGs 的数密度提升至 5.5 deg$^{-2}$。我们利用角两点自相关函数对 DES 中的 LSBGs 进行聚类分析，发现 LSBGs 比高表面亮度对应体聚类更强。我们将 1310 个 LSBGs 与星系团关联，并从中识别出 317 个超弥散星系（UDGs）。我们发现，与中心相比，这些团内 LSBGs 在趋向星系团边缘时变得更蓝且尺寸更大。Transformer 模型有潜力作为分析天文数据的最先进算法与卷积神经网络相媲美。