用于高红移 JWST 观测的星系组装与相互作用神经网络 (GAINN)

我们提出了星系组装与相互作用神经网络 (GAINN)，这是一系列基于 JWST 测光预测模拟星系的红移、恒星质量、暗物质晕质量和质量加权年龄的人工神经网络。我们的目标是在 $11.5 < z < 15$ 范围内确定预测这些变量的最佳神经网络。最优神经网络的参数随后可用于估计真实观测星系的这些变量。神经网络的输入是 JWST 五个宽带滤光片 (F150W、F200W、F277W、F356W 和 F444W) 子集以及两个中带滤光片 (F162M 和 F182M) 的星等。我们比较了使用这些滤光片不同组合以及不同激活函数和层数的神经网络性能。最佳神经网络预测红移的归一化均方根误差 NRMS = $0.009_{-0.002}^{+0.003}$，恒星质量的 RMS = $0.073_{-0.008}^{+0.017}$，暗物质晕质量的 MSE = $0.022_{-0.004}^{+0.006}$，质量加权年龄的 RMS = $10.866_{-1.410}^{+3.189}$。我们还在 JWST 观测的目标 MACS0647-JD 的真实数据上测试了 GAINN 的性能。GAINN 对该目标第一投影 (JD1) 的预测平均绝对误差 $\langle \Delta z \rangle <0.00228$，显著小于模板拟合方法。我们发现，在同时考虑理论精度和 JWST 观测资源时，最优滤光片组合为 F277W、F356W、F162M 和 F182M。