尽可能简单但不过于简化：优化用于银河SED拟合的神经网络仿真器性能
摘要：使用人工神经网络仿真器已经被证明是一种计算效率非常高的方法，用于快速生成星系光谱能量分布(SED)，用于参数推断或其他用途。它们可以通过一种高度灵活且快速的数学结构学习输入星系参数和输出可观测量之间的非平凡关系。然而，它们并不完美，预测通量的微小误差可能导致恢复的参数差异巨大。在这项工作中，我们研究了仿真器的执行时间、不确定性、相关误差和恢复准确后验概率的关系。我们表明，仿真器可以以$25\%-40\%$的后验中位数精度恢复出与传统拟合一致的结果，包括恒星质量、恒星金属丰度、恒星形成率和恒星年龄。我们发现，仿真器的不确定性与仿真器的宽度$N$成比例，$propto N^{-1}$，而执行时间与$N^2$成比例，从而在执行时间和仿真器不确定性之间存在固有的权衡。我们还发现，具有小不确定性的仿真器能够在大多数参数中准确恢复出后验概率，而不会显著增加灾难性异常值。此外，我们证明了小架构可能会产生具有显著相关性的通量残差，这可能在颜色中产生危险的系统误差。最后，我们展示了为生成训练集选择的分布对于仿真器准确拟合罕见对象的能力有很大影响。选择最佳的架构和训练集将最小化适合未来近期大规模星系调查的计算需求。
作者：Elijah P. Mathews, Joel Leja, Joshua S. Speagle, Benjamin D. Johnson, Justus Gibson, Erica J. Nelson, Katherine A. Suess, Sandro Tacchella, Katherine E. Whitaker, Bingjie Wang
论文ID：2306.16442
分类：Instrumentation and Methods for Astrophysics
分类简称：astro-ph.IM
提交时间：2023-06-30