近距离星系的星形成历史：基于机器学习的方法
星系天体物理
2024-10-17 v1
摘要
重现星系中星分辨的颜色-星 magnitude图（CMD）是测量近距离星系向最早时期回溯的星形成历史（SFH）的最精确方法之一。随着大数据时代的到来，传统数值技术在处理海量数据的能力方面面临挑战，这促使我们探索在该领域应用机器学习网络的可行性。本研究以最先进的理论星演化模型为基础，优化了合成CMD方法以模拟星系群体的属性，融入卷积神经网络（CNN）以提升拟合效率，并创新性地改进了初始星质量估计以提高灵活性。我们开发的精炼深度学习网络，命名为\texttt{SFHNet}，已用于合成数据进行测试，并进一步用来自哈勃太空站（\textit{HST}）的光度数据进行验证。所得SFH与文献中报告的结果基本一致。此外，网络还为星系在年代-金属丰度图上分布的星密度、初始星质量和星形成速率（SFR）提供了详细见解。深度学习网络的应用不仅能够精确测量SFH，还提升了合成CMD方法的效率和灵活性，从而促进了对近距离星系进行更全面和深入的理解。
引用
@article{arxiv.2410.12253,
title = {The Star Formation History of Nearby Galaxies: A Machine Learning Approach},
author = {Yujiao Yang and Chao Liu and Ming Yang and Yun Zheng and Hao Tian},
journal= {arXiv preprint arXiv:2410.12253},
year = {2024}
}
备注
28 pages, 10 figures. Accepted for publication by ApJ