机器学习带来的新见解挑战星系形成理论

距地球约 20 亿光年的密集星系团 Abell 2218 的图像。图片来源：NASA、ESA 和 Johan Richard；鸣谢：Davide de Martin 和 James Long（ESA/哈勃）：Davide de Martin 和 James Long（欧空局/哈勃）

密集环境中的星系与孤立环境中的星系

几十年来，科学家们已经知道，有些星系居住在密集的环境中，附近有许多其他星系。而另一些星系则基本上是独自在宇宙中漂流，它们所在的宇宙角落里几乎没有其他星系。

一项新的研究发现，在这些不同环境中的星系之间存在着重大差异：有更多邻居的星系往往比它们的同类星系更大，后者具有相似的形状和质量，但所处的环境密度较低。华盛顿大学、耶鲁大学、德国波茨坦莱布尼兹天体物理研究所和日本早稻田大学的研究人员在8月14日发表在《天体物理学杂志》上的一篇论文中报告说，在宇宙密度较高区域发现的星系要比孤立星系大25%之多。

各种形状和大小的星系图像。新的研究表明，邻近星系越多的星系往往越大。图片来源：NAOJ/NASA/ESA/CSA

机器学习揭示银河系发展趋势

这项研究使用了一种新的机器学习工具来分析数百万个星系，有助于解决天体物理学家长期以来对星系大小与其环境之间关系的争论。这些发现还提出了关于星系如何在数十亿年中形成和演化的新问题。

"目前关于星系形成和演化的理论无法充分解释聚类星系比宇宙中密度较低区域的同类星系更大这一发现，"领衔作者、华大天文学博士后研究员、DiRAC研究所LSST-DA催化剂研究员Aritra Ghosh说。"这是天体物理学最有趣的地方之一。有时候，理论预测我们应该发现的东西和勘测实际发现的东西并不一致，因此我们会回头尝试修改现有理论，以便更好地解释观测结果。"

过去关于星系大小的研究相互矛盾

过去对星系大小与环境之间关系的研究得出了相互矛盾的结果。一些研究认为星系团中的星系比孤立的星系小。另一些研究则得出了相反的结论。这些研究的范围一般要小得多，都是基于对数百或数千个星系的观测。

在这项新研究中，戈什和他的同事利用夏威夷的斯巴鲁望远镜对数百万个星系进行了调查。这项被称为"超级超ime-Cam斯巴鲁战略计划"的工作为每个星系拍摄了高质量的图像。研究小组选取了大约 300 万个拥有最高质量数据的星系，并使用机器学习算法来确定每个星系的大小。接下来，研究人员在每个星系周围画了一个半径为 3000 万光年的圆圈。这个圆代表星系的近邻。然后，他们提出了一个简单的问题：这个圆圈内有多少个邻近星系？

答案显示了一个明显的总体趋势：有更多邻居的星系平均也更大。

暗物质和合并的作用

原因可能有很多。也许密集成团的星系在最初形成时体积较大，或者更有可能与近邻星系进行有效的合并。也许暗物质--一种构成宇宙中大部分物质的神秘物质，却无法通过任何现有手段直接探测到--在其中发挥了作用。毕竟，星系是在暗物质的"光环"中形成的，而这些光环的引力对星系的演化起着至关重要的作用。

戈什说："理论天体物理学家必须通过模拟进行更全面的研究，才能最终确定为什么有更多邻居的星系往往更大。目前，我们只能说，我们确信星系环境与星系大小之间存在这种关系。"

天文学机器学习的进展

利用 Hyper Suprime-Cam Subaru 战略计划这样一个极其庞大的数据集，有助于团队得出明确的结论。但这只是故事的一部分。他们用来帮助确定每个星系大小的新型机器学习工具还考虑到了星系大小测量中固有的不确定性。

戈什说："在这项研究之前，我们已经学到了一个重要的经验，那就是解决这个问题不仅仅需要调查大量的星系。你还需要仔细的统计分析。其中一部分来自机器学习工具，它可以准确量化我们对星系特性测量的不确定性程度。"

GaMPEN：面向未来的工具

他们使用的机器学习工具名为GaMPEN--即银河形态后验估计网络。作为耶鲁大学的博士生，戈什领导了GaMPEN的开发工作，并于2022年和2023年在《天体物理学杂志》（Astrophysical Journal）上发表了论文。戈什说，该工具可在网上免费获取，并可用于分析其他大型巡天。

虽然这项新研究的重点是星系，但它也预测了不久将在天文学界掀起风暴的研究类型--以对难以置信的庞大数据集进行复杂分析为中心。当包括智利维拉-C-鲁宾天文台（Vera C. Rubin Observatory）在内的新一代配备强大相机的望远镜投入使用时，它们每晚都将收集大量的宇宙数据。为此，科学家们一直在开发像 GaMPEN 这样的新工具，以便利用这些大型数据集来回答天体物理学中的紧迫问题。

Ghosh说："很快，大型数据集将成为天文学的常态。这项研究完美地展示了只要有合适的工具，你就能用它们做些什么。"

编译自/ScitechDaily