[论文解读] The VIMOS Public Extragalactic Redshift Survey (VIPERS). The complexity of galaxy populations at 0.4< z<1.3 revealed with unsupervised machine-learning algorithms

M. Siudek, K. Małek+38 more|arXiv (Cornell University)|Jan 1, 2018

Galaxies: Formation, Evolution, Phenomena参考文献 100被引用 1

一句话总结

本文提出一种基于Fisher期望最大化（FEM）算法的无监督机器学习方法，利用12个静止帧星等和光谱红移对VIPERS巡天中的星系进行分类。该方法识别出12种不同的星系类型——11种典型类型和一种宽线活动星系核（AGN）类型——揭示了从早型红被动星系到晚型蓝星形成星系的连续、复杂的演化序列，其物理和光谱特性中的显著亚结构未被传统基于颜色的分类方法捕捉。

ABSTRACT

Aims. Various galaxy classification schemes have been developed so far to constrain the main physical processes regulating evolution of different galaxy types. In the era of a deluge of astrophysical information and recent progress in machine learning, a new approach to galaxy classification has become imperative. Methods. In this paper, we employ a Fisher Expectation-Maximization (FEM) unsupervised algorithm working in a parameter space of 12 rest-frame magnitudes and spectroscopic redshift. The model (DBk) and the number of classes (12) were established based on the joint analysis of standard statistical criteria and confirmed by the analysis of the galaxy distribution with respect to a number of classes and their properties. This new approach allows us to classify galaxies based on only their redshifts and ultraviolet to near-infrared (UV-NIR) spectral energy distributions. Results. The FEM unsupervised algorithm has automatically distinguished 12 classes: 11 classes of VIPERS galaxies and an additional class of broad-line active galactic nuclei (AGNs). After a first broad division into blue, green, and red categories, we obtained a further sub-division into: three red, three green, and five blue galaxy classes. The FEM classes follow the galaxy sequence from the earliest to the latest types, which is reflected in their colours (which are constructed from rest-frame magnitudes used in the classification procedure) but also their morphological, physical, and spectroscopic properties (not included in the classification scheme). We demonstrate that the members of each class share similar physical and spectral properties. In particular, we are able to find three different classes of red passive galaxy populations. Thus, we demonstrate the potential of an unsupervised approach to galaxy classification and we retrieve the complexity of galaxy populations at z ∼ 0.7, a task that usual, simpler, colour-based approaches cannot fulfil.

研究动机与目标

• 克服传统星系分类方法在双峰颜色分布和简单阈值切割方面的局限性。
• 利用数据驱动的无监督方法，探索中等红移（z ~ 0.7）星系群体的内在复杂性。
• 开发一种分类框架，捕捉星系类型之间无预设边界的连续过渡与亚型。
• 通过分类中未使用的形态、光谱和星族属性验证所推导类别的物理一致性。
• 展示无监督学习在欧几里得（Euclid）和LSST等大规模巡天中绘制星系演化图景的潜力。

提出的方法

• 在13维参数空间中应用Fisher期望最大化（FEM）算法，结合12个静止帧星等和光谱红移。
• 使用统计准则（如BIC、AIC）和类别分布的视觉检查，确定最优模型复杂度（DBk = 12类）。
• 采用星系到类别的概率分配，支持软聚类和不确定性量化。
• 通过分析未用于分类的物理属性（如4000Å断点、sSFR、Sérsic指数、OII等效宽度）验证类别的同质性。
• 将FEM类别与Kennicutt（1992）的星系谱型图集进行比较，评估其与既定星系演化序列的一致性。
• 分析0.4 < z < 1.0范围内红移演化过程中各类别比例和属性的变化，以追踪群体演变。

实验结果

研究问题

• RQ1 无监督机器学习能否在z ~ 0.7时揭示比传统颜色分类更复杂且连续的星系群体结构？
• RQ2 所识别类别之间的物理和光谱属性（如恒星形成率、恒星年龄、形态）如何变化？
• RQ3 FEM类别与Kennicutt（1992）星系谱型图集中的既定谱型在多大程度上一致？
• RQ4 在红系和蓝系星系群体中是否存在标准双峰方案所遗漏的特定亚型？
• RQ5 在0.4 < z < 1.0红移范围内，不同星系类别的相对比例如何随宇宙时向演化？

主要发现

• FEM算法成功识别出12个独立类别：11种星系类型和一种宽线AGN类别，大多数星系的概率分配较高（约80%）。
• 这些类别从早型红被动星系（第1–3类）到晚型蓝星形成星系（第7–11类）形成一条连续序列，中间类型（第4–6类）表现出混合特性。
• 识别出三种截然不同的红被动星系群体，各自具有独特的形态和光谱特征，挑战了单一红序列的假设。
• 中间类别（4–6类）表现出更高的集中度（Sérsic指数）、更低的气体含量（更低的EW(OII)）和更低的sSFR，表明其处于过渡阶段。
• 第11类与低金属丰度系统或AGN存在强关联，其在BPT图中的位置已得到证实。
• FEM分类与Kennicutt（1992）的谱型分类高度相关，证实这些类别准确追踪了从早型到晚型的演化序列。