[论文解读] Predicting resolved galaxy properties from photometric images using convolutional neural networks

Tobias Buck, Steffen Wolf|arXiv (Cornell University)|Nov 1, 2021

Data Visualization and Analytics被引用 6

一句话总结

本论文提出了一种卷积神经网络（CNN）框架PICASSSO，能够从多波段测光图像中预测星系属性的二维图，如恒星质量、金属丰度、年龄和恒星形成速率。该模型在重建恒星属性时实现了像素级小于20%的散射，优于传统的质量-光度比方法，并实现了超越典型积分场单元（IFU）观测分辨率的高分辨率推断。

ABSTRACT

Multi-band images of galaxies reveal a huge amount of information about their morphology and structure. However, inferring properties of the underlying stellar populations such as age, metallicity or kinematics from those images is notoriously difficult. Traditionally such information is best extracted from expensive spectroscopic observations. Here we present the $Painting\\, IntrinsiC\\, Attributes\\, onto\\, SDSS\\, Objects$ (PICASSSO) project and test the information content of photometric multi-band images of galaxies. We train a convolutional neural network on 27,558 galaxy image pairs to establish a connection between broad-band images and the underlying physical stellar and gaseous galaxy property maps. We test our machine learning (ML) algorithm with SDSS $ugriz$ mock images for which uncertainties and systematics are exactly known. We show that multi-band galaxy images contain enough information to reconstruct 2d maps of stellar mass, metallicity, age and gas mass, metallicity as well as star formation rate. We recover the true stellar properties on a pixel by pixel basis with only little scatter, $\\lesssim20\\%$ compared to $\\sim50\\%$ statistical uncertainty from traditional mass-to-light-ratio based methods. We further test for any systematics of our algorithm with image resolution, training sample size or wavelength coverage. We find that galaxy morphology alone constrains stellar properties to better than $\\sim20\\%$ thus highlighting the benefits of including morphology into the parameter estimation. The machine learning approach can predict maps of high resolution, only limited by the resolution of the input bands, thus achieving higher resolution than IFU observations. The network architecture and all code is publicly available on GitHub.

研究动机与目标

• 开发一种机器学习框架，从多波段测光图像中推断星系恒星与气体属性的解析二维图。
• 评估仅凭测光图像是否足以高精度重建星系物理属性。
• 评估图像分辨率、波段数量和训练样本大小对预测精度的影响。
• 确定星系形态与颜色信息联合使用是否能提升属性重建精度，超越单独使用任一信息的效果。
• 实现在分辨率上超越典型IFU观测极限的星系属性高分辨率推断。

提出的方法

• 在Illustris模拟中获取的27,558对星系图像上训练了一个类似U-Net的卷积神经网络，以ugriz宽波段测光图像作为输入。
• 网络预测七种物理属性的二维图：恒星质量、金属丰度、年龄、气体质量、气体金属丰度、HI质量以及恒星形成速率（SFR）。
• 通过多任务损失函数进行训练，以最小化预测与真实物理属性图之间的像素级差异。
• 在已知不确定性和系统误差的SDSS模拟图像上评估模型，实现对精度和散射的可控评估。
• 通过改变输入分辨率（16×16至256×256像素）、波段数量（1至5个）和训练样本大小（1,500至17,637个星系）进行消融研究。
• 所有代码和训练好的模型均已公开发布于GitHub，以确保可复现性并供社区使用。

实验结果

研究问题

• RQ1 仅凭多波段测光图像是否足以高精度重建星系恒星与气体属性的高分辨率二维图？
• RQ2 与仅使用形态信息相比，通过多波段提供的颜色信息如何提升预测物理属性的精度？
• RQ3 在CNN框架下，图像分辨率对星属性重建精度有何影响？
• RQ4 模型性能对训练数据集大小的敏感性如何，特别是在当前IFU巡天样本大小范围内？
• RQ5 模型是否在星系的特定区域（如中心或外围）系统性地低估或高估属性？

主要发现

• 模型在恒星质量和金属丰度上的像素级散射小于10%，显著优于具有约50%统计不确定性的传统质量-光度比方法。
• 气体属性如气体质量和金属丰度的预测散射约为20%，表明其精度略低于恒星属性。
• 恒星年龄和SFR的重建在群体层面的散射为20–50%，显示出中等但可接受的精度，适用于解析映射。
• 模型在重建精度上无显著径向依赖性，仅在中心区域（R ≈ 0.5 R_half）有轻微低估恒星属性的现象。
• 将输入波段数从5个减少到1个，恒星属性的散射增加40–60%，气体属性增加20%，表明颜色信息的重要性。
• 将图像分辨率从256×256像素降低到16×16像素，恒星属性的散射增加达3–4倍，气体质量的散射增加达7倍，凸显形态细节的关键作用。