使用卷积神经网络从三色图像预测星系金属丰度

我们训练了一个深度残差卷积神经网络（CNN），仅使用来自斯隆数字巡天的三波段$gri$图像，来预测由光谱信息导出的星系气相金属丰度（$Z$）（$Z \equiv 12 + \log(\rm O/H)$）。当在$128 \times 128$像素图像上训练与测试时，$Z_{\rm pred} - Z_{\rm true}$的均方根误差（RMSE）仅为0.085 dex，大幅优于同一数据集上训练随机森林算法（RMSE $=0.130$ dex）。$Z_{\rm pred} - Z_{\rm true}$的散度随图像分辨率增加以直观方式减小。我们能够使用CNN预测的$Z_{\rm pred}$与独立测量的恒星质量恢复具有$0.10$ dex散度的质量-金属丰度关系。由于我们的预测MZR不比经验MZR显示更多散度，$Z_{\rm pred}$与$Z_{\rm true}$之间的差异不能归因于纯随机误差。这表明CNN从光学成像中学习到了超越氧谱线可获取的气相金属丰度表示。