[論文レビュー] A Demonstration of a Neural Network as a Bridge Between Galaxy Simulations and Surveys

E. Elson|arXiv (Cornell University)|Feb 6, 2026

Galaxies: Formation, Evolution, Phenomena被引用数 0

ひとこと要約

シンプルな simulation 学習型ニューラルネットワークが広帯域写真から GAMA 銀河の星形成量を予測し、SED推定質量と比べて約0.131 dex の散布を ~3.5 dex の範囲で達成、SED質量を欠く銀河にも適用可能で保守的な不確実性約0.18 dex に拡張

ABSTRACT

This paper demonstrates that the stellar masses of galaxies in the Galaxy and Mass Assembly (GAMA) survey, originally derived via stellar population synthesis modelling, can be accurately predicted using only their absolute magnitudes and colour indices. A central contribution of this work is the demonstration that this long-standing inference problem can be solved using an exceptionally simple machine-learning model: a fully connected, feed-forward artificial neural network with a single hidden layer. The network is trained exclusively on synthetic galaxies generated by the SHARK semi-analytic model and is shown to transfer effectively to real observations. Across nearly 3.5 dex in stellar mass, the predicted values closely track the GAMA SED-derived masses, with a typical scatter of ~0.131 dex. These results demonstrate that complex deep-learning architectures are not a prerequisite for robust stellar mass estimation, and that simulation-trained, lightweight machine-learning models can capture the dominant physical information encoded in broad-band photometry. The method is further applied to 17,006 GAMA galaxies lacking SED-derived masses, with photometric uncertainties propagated through the network to provide corresponding error estimates on the inferred stellar masses. Overall, this work establishes a computationally efficient and conceptually transparent pathway for simulation-to-observation transfer learning in galaxy evolution studies.

研究の動機と目的

• 星形成量を推定する際にSPSベースの質量のモデル依存性を強調し、SEDフィッティングだけに頼らない課題の動機づけ。
• Shark のシミュレーションで訓練された軽量なニューラルネットワークが広帯域写真測光から実際の銀河質量を予測できることを実証。
• 訓練済みモデルをGAMAデータへ適用し、比較対象としてSED由来の質量と転移学習の有用性を評価。
• SEDベースの質量を持たない銀河にも本手法を拡張可能で、不確実性を定量化。
• 銀河進化研究におけるシミュレーションから観測への転移学習を実用的かつ効率的に進める道筋を提案。

提案手法

• Shark シミュレーションの光度計測に対して事前訓練された単一隠れ層を持つ完全結合前向きニューラルネットワークを使用。
• Shark の訓練範囲外の特徴を除外した後、GAMA から入手可能な絶対等級24項目と色指標を用いてネットワークを再訓練。
• 光度の不確実性をネットワークに伝播させ、予測される質量の不確実性を推定。
• GAMA のSED由来質量とANN予測を比較して精度を評価し、残差バイアスを特定。
• SED質量を欠く17,006銀河に訓練済みANNを適用し、伝播不確実性を伴う質量推定値を得る。

Figure 1: Distributions of the 24 broadband absolute magnitudes and colour indices (all in the AB system) used as input features for the GAMA galaxies in this study. In each panel, the red dashed vertical lines indicate the minimum and maximum values spanned by the corresponding features in the Shar

実験結果

リサーチクエスチョン

• RQ1 Shark シミュレーションで訓練した単純な1隠れ層のANNは広帯域写真測光からGAMAの星形成量を正確に予測できるか。
• RQ2 シミュレーション訓練質量は ~3.5 dex の範囲でSED由来質量を再現できるか。
• RQ3 ANN予測とSED質量の間のバイアスと散布はどの程度で、補正可能か。
• RQ4 SED由来質量を持たない銀河にもモデルを信頼して拡張し、現実的な不確実性推定が可能か。

主な発見

• ANN は ~0.131 dex の散布で GAMA のSED由来質量を予測し、質量は約3.5 dex の範囲で一致。
• Shark ベースの質量とSPSベースの質量マッピングの違いにより小さな約0.1 dex の系統的オフセットがあり、滑らかな残差補正で除去可能。
• 補正後、ANN は 一対一の関係と固有の散布を保持したまま整合。
• SED質量を持たない17,006銀河に対して、ANN は典型的な光度変動に起因する不確実性約0.05 dex、モデル散布を含めた保守的合計不確実性約0.18 dex を提供。
• このアプローチは、軽量モデルと広帯域写真測光を用いた堅牢なシミュレーションから観測への転移学習を実証しており、大規模調査に適している。

Figure 2: Top: Raw ANN-predicted stellar masses compared with SED-derived masses for 71 171 GAMA galaxies. The solid line denotes the one-to-one relation, while the red curve shows a polynomial fit to the data. Middle: Corrected ANN predictions after subtracting the fitted residual trend, removing t