PAU 巡天：利用机器学习聚类对低红移 SED 进行分类

我们展示了无监督机器学习聚类在 COSMOS 场内 PAU 星系巡天的星系光谱能量分布（SED）中的应用。该聚类算法被实现并优化，以从数据 SED 中获取相关组。我们在巡天中 5,234 个目标（$0.01 <$ z $< 0.28$）里找到了 12 个组。其中，3,545 个星系（68%）在 SED 中显示出发射线。这些组还包含 1,689 个无活跃恒星形成的年老星系。我们用 CIGALE 对每个组中的每一单个星系拟合了 SED。星系的质量、年龄和比恒星形成率（sSFR）范围为 $0.15 <$ age/Gyr $< 11$；$6 <$ log (M$_{\star}$/M$_{\odot}$) $< 11.26$；以及 $-14.67 <$ log (sSFR/yr $^{-1}$) $< -8$。这些组在其性质上界定清晰：具有清晰发射线的星系比具有椭圆状模式的星系质量更低、更年轻且 sSFR 更高。显示清晰发射线的星系的特征值与文献中低红移下 COSMOS 和 GOODS-N 场中星暴星系相符。恒星形成主序、sSFR 对恒星质量图以及 UVJ 图清楚地表明不同组落入不同区域，组间存在一些重叠。我们的主要结果是，PAU 巡天提供的低分辨率（R $\sim$ 50）光度光谱与无监督分类相结合，提供了一种极好的星系分类方式。此外，它有助于发现并将极端发射线星系（ELGs）的分析扩展至本地宇宙中更低质量和更低 SFR 的情况。