Silkscreen：从调查图像切块中直接测量星系距离

随着地面和太空的广域视网筛的不断增长，对 $\lesssim 25$ Mpc 范围内已知矮星系数的预计将显著增加。对这些系统本体性属性的分析将依赖可靠的距离估计。目前使用的技术在其广泛适用性方面受到限制，尤其是在半分辨率范围内。在本工作中，我们转向模拟推断领域的快速发展，从多波段图像直接推断矮星系的距离和其他物理属性。我们介绍了 silkscreen：一种利用神经后验估计来推断参数后验分布的程序，同时训练卷积神经网络，以便直接对图像进行推断。利用机器学习和贝叶斯推断的这种结合， 我们展示了该方法能够从地面调查图像中恢复准确距离的能力，适用于一组距离为 $2 < D ({\rm Mpc)} < 12$ 的近距离星系，这些星系具有测量的 SBF 或 TRGB 距离。我们讨论了当前实现的局限性以及未来前景， 关注将 silkscreen 应用于大型即将到来的调查（如 LSST）的目标。虽然当前实现是在每个星系基础上进行仿真和训练，但未来的实现将旨在提供一个广泛训练的模型，可在仅使用宽带切块的情况下， 几秒钟内为新的矮星系进行推断。我们在此专注于矮星系，我们指出该方法可以推广到更亮的系统。