利用机器学习估算CANDELS与模拟星系中巨团块的恒星质量
星系天体物理
2020-09-30 v2 宇宙学与河外天体物理
摘要
已知高红移恒星形成盘星系中有显著一部分含有巨团块，其本质及其在星系演化中的作用尚待理解。本工作中，我们首先提出一种基于神经网络的新方法来探测星系图像中的团块。我们利用该方法在CANDELS巡天中的约1500个恒星形成星系的完整样本的静止帧光学与紫外图像，以及VELA zoom-in宇宙学模拟的图像中探测团块。我们表明，观测效应对于推导出的团块性质具有剧烈影响，导致团块质量被高估达10倍，这凸显了观测与模拟间公平比较的重要性，以及当前HST数据研究遥远星系分辨结构的局限性。在用混合密度网络校正这些效应后，我们估计团块恒星质量函数在完备极限（太阳质量）以下遵循幂律，且大多数团块质量小于太阳质量。这与近期基于引力透镜的测量更为一致。本工作所探讨的模拟在同等条件下整体再现了观测团块恒星质量函数与团块比例的形状，尽管它们往往处于观测置信区间的下限。这一一致性表明大多数观测团块为原位形成。
引用
@article{arxiv.2006.14636,
title = {Stellar Masses of Giant Clumps in CANDELS and Simulated Galaxies Using Machine Learning},
author = {M. Huertas-Company and Y. Guo and O. Ginzburg and C. T. Lee and N. Mandelker and M. Metter and J. R. Primack and A. Dekel and D. Ceverino and S. M. Faber and D. C. Koo and A. Koekemoer and G. Snyder and M. Giavalisco and H. Zhang},
journal= {arXiv preprint arXiv:2006.14636},
year = {2020}
}
备注
Accepted for publication in MNRAS - This is the final version