基于贝叶斯推理与人工神经网络的星系多波段能谱分析方法

The determination of basic physical parameters of galaxies， such as stellar mass, age, metallicity, star formation rate and dust mass, is the basis for our understanding of the formation and evolution of galaxies. Meanwhile, the spectral energy distributions (SEDs) of galaxies are the main source of information for the determination of these parameters of galaxies.So, how to reliably determine the basic physical parameters of galaxies from the analysis of their muti-wavelength SEDs is one of the most important and basic problem for our understanding of the formation and evolution of galaxies.However, due to some unresolved uncertainties and complexity in both the observational data sets and theoretical models, the determination of basic physical parameters of galaxies from SED fitting is still challenging.Given these, we are going to develop a suite of general methods for the reliable and efficient analysis of galaxy multi-wavelength SEDs based on Bayesian inference and artificial neural network. Besides, from the application of these methods to the physical parameter determination of IR-luminous galaxies, we are going to test these methods.

星系的质量、年龄、金属丰度、恒星形成率、尘埃质量等基本物理参数的确定是认识星系形成和演化的基础，而星系的多波段能谱分布是确定这些物理参数的主要信息来源。因此，如何通过对星系多波段能谱的分析来可靠地确定其基本物理参数是人们认识星系的形成和演化时面临的一个重要而又基本的问题。然而，目前在观测和理论上存在的诸多不确定性和复杂性因素使得通过能谱分析方法来确定星系的基本物理参数仍然是一个富有挑战性的问题。有鉴于此，申请者准备在已有工作的基础上发展基于贝叶斯推理和人工神经网络的一套可靠、高效、通用的能谱分析方法，并且通过应用于红外明亮星系的基本物理参数确定而对整套方法进行验证。

通过对星系多波段能谱的分析来估计星系的恒星质量、年龄、金属丰度、恒星形成率、尘埃质量等基本物理参数是人们认识星系的形成和演化的一个重要而又基本方法。然而，传统的能谱分析方法难以应对海量的多波段观测数据以及星系的观测和理论研究中存在的诸多不确定和复杂性因素所带来的巨大挑战。有鉴于此，我们独立发展了一套可靠、高效、通用且具有一定国际竞争力的、基于贝叶斯推理和机器学习的星系多波段能谱分析方法和程序——BayeSED。该套方法和程序的优点在于能得出星系的各个物理参数的详细后验概率分布以用于物理参数值及其不确定度的准确估计,得出每个能谱模型的贝叶斯证据值以用于不同能 谱模型的定量比较。主成分分析、人工神经网络、近邻搜索等机器学习方法, 以及马尔可夫链蒙 特卡罗(MCMC)、多峰嵌套采样(MultiNest)等高效的采样方法的采用使得我们能够对复杂的星系能谱模型的高维参数空间进行高效而完备的采样。我们已经将该套方法和程序广泛地应用于超高光度红外星系、超高光度热尘埃遮蔽星系、亚毫米星系的光度、恒星质量、恒星形成率、尘埃消光等物理参数的确定及其演化的研究。我们发展的该套方法和程序满足了近年来蓬勃发展的大型多波段巡天项目获得的海量观测数据的分析对更可靠、更高效的新一代能谱分析方法和程序的迫切需要。该套方法和程序自2014年11月在网上(https://bitbucket.org/hanyk/bayesed/)公开以来受到了来自 30 多个国家和地区的 300多位国内外同行的广泛关注。