[논문 리뷰] Extending the SAGA Survey (xSAGA) I: Satellite Radial Profiles as a Function of Host Galaxy Properties

John F. Wu, J. E. G. Peek외 7명|arXiv (Cornell University)|2021. 12. 02.

Galaxies: Formation, Evolution, Phenomena참고 문헌 122인용 수 23

한 줄 요약

이 논문은 DESI Legacy Imaging Survey 이미지에서 저 redshift (z < 0.03) 은하를 식별하기 위해 SAGA Survey의 분광학적 적색편이를 기반으로 훈련된 컨volutional 신경망(CNN)을 사용하는 machine learning 방법인 xSAGA를 제시한다. 이 방법을 통해 100,000개의 주은하 주위에 20,000개 이상의 위성 은하를 탐지할 수 있었으며, 위성의 수가 주은하의 항성 질량과 형상에 강하게 의존하는 것으로 드러났다. 반면, 위성의 반경 분포는 주은하의 성질과는 무관했고, 결과는 유체역학적 시뮬레이션과 양호한 일치를 보였다.

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.

연구 동기 및 목표

• 깊은 광학 이미징을 활용해 기존 분광학적 한계를 초월해 저 redshift 위성 은하를 식별함으로써 SAGA Survey의 범위를 확장한다.
• 기존 설문조사의 통계적 한계를 극복하기 위해 머신러닝을 활용해 천구 면적을 1,000배로 확대한다.
• CNN 기반 은하 식별의 선택 함수를 특성화하고, 위성 수 계수에서의 부족 및 오염을 보정한다.
• 위성 반경 분포를 측정하고 주은하의 성질(예: 항성 질량, 형상, magnitude gap)에 따른 의존성을 분석한다.
• 유체역학적 시뮬레이션과의 비교를 통해 결과를 검증하고, 대규모 은하 집단 연구에서 머신러닝의 잠재력을 입증한다.

제안 방법

• SAGA Survey의 분광학적 적색편이를 기반으로, DESI Legacy Imaging Surveys의 3밴드 광학 이미징을 사용해 저 redshift (z < 0.03) 은하로 분류하기 위한 컨volutional 신경망(CNN)을 훈련한다.
• SAGA 필드에서 교차검증을 통해 완전성(C)과 정확도(P)를 추정하고, 임의의 양성 결과(FP)와 비위성 저 redshift 은하에 대한 보정 항목을 적용한다.
• 표면 밀도 보정을 통해 임의의 양성 결과의 기대 수를 할당된 헬로 영역에 따라 조정하며, 이는 ⟨ΣFP⟩ = 3.04 deg⁻²로 계산되며, 가장 정확한 보정 방법으로 확인되었다.
• 다른 적색편이에서의 관련 없는 저 redshift 은하를 고려하기 위해 부피 기반 보정을 적용하였으며, 0.02 < z < 0.03 범위에서의 측정된 부피 밀도 1.42×10⁻² Mpc⁻³를 사용하였다.
• 보정된 수치에서 유도된 위성 반경 분포를 구성하였으며, 부트스트랩 방법을 사용해 평균 분포의 산란과 편향을 추정하였다.
• 주은하는 적색편이 격리 조건(∆z = 0.005, 1 Mpc)과 항성 질량 절단값(9.5 < log(M⋆/M⊙) < 11)을 적용하여, 근처에 질량이 큰 이웃이 있는 시스템은 제외하였다.

실험 결과

연구 질문

• RQ1 위성 은하의 반경 분포는 주은하의 항성 질량과 형상에 어떻게 의존하는가?
• RQ2 주은하의 magnitude gap은 위성의 수에 어떤 영향을 미치는가?
• RQ3 이미징 데이터에서 기반한 머신러닝 기반 은하 선택이 진정한 위성 집단을 얼마나 잘 복원하는가? 선택 편향은 어떻게 보정할 수 있는가?
• RQ4 관측된 위성 반경 분포는 유체역학적 시뮬레이션의 예측과 어떻게 비교되는가?
• RQ5 xSAGA와 같은 ML 강화 설문조사의 통계적 능력은 얼마나 큰 천구 영역에서 위성 시스템을 탐색하는 데 기여하는가?

주요 결과

• 위성의 수는 주은하의 항성 질량에 따라 강하게 증가하며, 질량이 클수록 유의미하게 더 많은 위성을 포함한다.
• 유사한 항성 질량을 가진 경우, 타원형 주은하가 디스크형 주은하보다 더 많은 위성을 가진다. 이는 형상에 따른 의존성이 있음을 시사한다.
• 위성의 수와 주은하와 그 가장 밝은 위성 사이의 magnitude gap 사이에 강한 역상관관계가 존재한다.
• 36–300 kpc 범위 내에서 정규화된 위성 반경 분포는 주은하의 항성 질량, 형상 또는 magnitude gap과 무관하게 일관되며, 이는 보편적인 분포 형태를 시사한다.
• 표면 밀도 기반의 FP 보정을 적용한 후 보정된 위성 수 계수는 실제 값의 1.01 ± 0.08배 이내로 복원되었으며, 이는 높은 정확도를 입증한다.
• 관측된 위성의 수와 반경 분포는 현대 유체역학적 시뮬레이션의 예측과 합리적인 일치를 보였다.