利用机器学习研究星系中冷气体的运动学

平方公里阵列等下一代干涉仪将获取关于星系中冷气体运动学的大量信息。鉴于此类设施产生的数据量，天文学家需要快速、可靠的工具来实时对输入数据进行有信息量的过滤与分类。在本文中，我们使用机器学习技术结合流体动力学模拟训练集来预测星系中冷气体的运动学行为，并在模拟与真实干涉数据上测试这些模型。利用卷积自编码器的能力，我们将人眼或标准工具无法获取的运动学特征嵌入三维空间，并区分受扰动与规则旋转的冷气体结构。我们的简单二分类器以85%的召回率预测无噪声模拟星系的圆度，并在观测CO与HI速度图上表现符合预期，启发式准确率达95%。当改变加入输入数据的噪声水平时，模型输出呈现可预测行为，且我们能够解释映射空间所有维度的作用。我们的模型还能快速预测输入星系的位置角，1σ不确定度范围为±17°至±23°（分别对应倾角82.5°至32.5°的星系），这可能有助于运动学建模采样器中的初始参数化。诸如本文所述之类的机器学习模型，或可在不久的将来改造用于SKA科学应用。