[論文レビュー] Extending the SAGA Survey (xSAGA) I: Satellite Radial Profiles as a Function of Host Galaxy Properties

John F. Wu, J. E. G. Peek+7 more|arXiv (Cornell University)|Dec 2, 2021

Galaxies: Formation, Evolution, Phenomena参考文献 122被引用数 23

ひとこと要約

本論文では、SAGAサーベイのスペクトロスコピック赤方偏移に基づいてトレーニングされた畳み込みニューラルネットワーク（CNN）を用いた機械学習手法xSAGAを提案する。この手法により、DES I Legacy Imaging Surveyの画像から低赤方偏移（z < 0.03）の銀河を特定し、10万個のハスト銀河の周囲に2万個以上の衛星銀河を検出可能となった。その結果、衛星の豊富さはハストの星質量および形態に強く依存するが、半径分布はハストの性質に依存せず、ハイドロダイナミクス的シミュレーションと良好に一致した。

ABSTRACT

We present "Extending the Satellites Around Galactic Analogs Survey" (xSAGA), a method for identifying low-$z$ galaxies on the basis of optical imaging, and results on the spatial distributions of xSAGA satellites around host galaxies. Using spectroscopic redshift catalogs from the SAGA Survey as a training data set, we have optimized a convolutional neural network (CNN) to identify $z < 0.03$ galaxies from more distant objects using image cutouts from the DESI Legacy Imaging Surveys. From the sample of $> 100,000$ CNN-selected low-$z$ galaxies, we identify $>20,000$ probable satellites located between 36-300 projected kpc from NASA-Sloan Atlas central galaxies in the stellar mass range $9.5 < \log(M_\star/M_\odot) < 11$. We characterize the incompleteness and contamination for CNN-selected samples, and apply corrections in order to estimate the true number of satellites as a function of projected radial distance from their hosts. Satellite richness depends strongly on host stellar mass, such that more massive host galaxies have more satellites, and on host morphology, such that elliptical hosts have more satellites than disky hosts with comparable stellar masses. We also find a strong inverse correlation between satellite richness and the magnitude gap between a host and its brightest satellite. The normalized satellite radial distribution between 36-300 kpc does not depend strongly on host stellar mass, morphology, or magnitude gap. The satellite abundances and radial distributions we measure are in reasonable agreement with predictions from hydrodynamic simulations. Our results deliver unprecedented statistical power for studying satellite galaxy populations, and highlight the promise of using machine learning for extending galaxy samples of wide-area surveys.

研究の動機と目的

• 深紫外・可視光画像を用いて、スペクトロスコピック限界を超えて低赤方偏移の衛星銀河を同定することで、SAGAサーベイを拡張すること。
• 機械学習を活用して1000倍の広い天の川領域にスケーリングすることで、既存の調査の統計的限界を克服すること。
• CNNベースの銀河同定の選択関数を特徴づけ、衛星数カウントにおける不完全性および汚染を補正すること。
• 衛星の半径分布と、星質量、形態、明るさギャップなどのハスト銀河の性質との関係を測定すること。
• 結果をハイドロダイナミクス的シミュレーションと比較し、大規模銀河集団研究における機械学習の有効性を示すこと。

提案手法

• SAGAサーベイのスペクトロスコピック赤方偏移に基づいて、DES I Legacy Imaging Surveysの3バンド可視光画像を用いて、銀河を低赤方偏移（z < 0.03）に分類するための畳み込みニューラルネットワーク（CNN）をトレーニングする。
• SAGA領域における交差検証を用いてCNNを検証し、完全性（C）と純度（P）を推定する。誤検出（FP）および非衛星の低赤方偏移銀河に対する補正項を適用する。
• 誤検出の表面密度補正（⟨ΣFP⟩ = 3.04 deg⁻²）を、ホールの面積にスケーリングされた予想されるFP数を差し引くことで実施する。これは最も正確な補正法であると判明した。
• 異なる赤方偏移における関係のない低赤方偏移銀河を補正するため、体積ベースの補正を適用する。0.02 < z < 0.03の領域における測定済体積密度は1.42×10⁻² Mpc⁻³である。
• 補正済みカウントから衛星の半径分布を構築し、ブートストラップ法を用いて平均プロファイルの散らばりとバイアスを推定する。
• 赤方偏移の分離基準（∆z = 0.005、1 Mpc）と星質量カット（9.5 < log(M⋆/M⊙) < 11）を用いてハスト銀河を選別し、近くに巨大な近隣銀河があるシステムは除外する。

実験結果

リサーチクエスチョン

• RQ1 衛星銀河の半径分布は、ハスト銀河の星質量および形態にどのように依存するか？
• RQ2 ハスト銀河の明るさギャップが衛星の豊富さに与える影響は何か？
• RQ3 画像データからの機械学習ベースの銀河同定は、真の衛星集団をどの程度回復できるのか。また、選択バイアスはどのように補正できるか？
• RQ4 観測された衛星の半径分布は、ハイドロダイナミクス的シミュレーションの予測とどの程度一致するか？
• RQ5 xSAGAのようなML強化調査の統計的パワーは、広域の空域にわたり衛星系を調査する上でどの程度の効果を示すか？

主な発見

• 衛星の豊富さはハストの星質量に強く依存し、質量の大きいハストは顕著に多くの衛星を有する。
• 同等の星質量を持つ場合、楕円形のハストはディスク型のハストよりも高い衛星豊富さを示し、形態依存性が確認された。
• 衛星の豊富さと、ハストとその最も明るい衛星との間の明るさギャップには強い逆相関がある。
• 36–300 kpcの範囲における正規化された衛星半径分布は、ハストの星質量、形態、または明るさギャップに依存せず、普遍的なプロファイル形状を示している。
• 表面密度に基づくFP補正を適用した後、補正済みの衛星数カウントは、実際の値の1.01 ± 0.08倍の範囲に回復され、高い正確性を示した。
• 観測された衛星の豊富さと半径分布は、現代のハイドロダイナミクス的シミュレーションの予測と合理的に一致した。