【儀表網 研發快訊】近日，中國科學院云南天文臺韓云坤副研究員等、中國科學技術大學教授范璐璐與紫金山天文臺研究員鄭憲忠合作，在中國空間站工程巡天空間望遠鏡(CSST)多波段成像巡天中同時進行星系測光紅移和星族參數估計的性能測試方面取得了新進展。相關研究成果發表在《天體物理學期刊增刊》(The Astrophysical Journal Supplement Series)上。
 

　　星系是構成宇宙的基本單元。研究星系的形成和演化有助于揭示暗物質和暗能量的本質，是現代天體物理學領域中最具挑戰性的問題之一。星系的多波段能譜分析可用于測量星系紅移、恒星質量和恒星形成率等基本物理參數，是探索星系中恒星、星際介質和超大質量黑洞相關的眾多復雜物理過程的重要基礎，亦是星系研究領域的研究重點。國際上最先進的韋布空間望遠鏡和歐幾里得空間望遠鏡，以及研制中的中國空間站工程巡天空間望遠鏡和羅曼空間望遠鏡等，將提供海量的多波段數據，為更深入地探究星系的形成和演化提供了機遇，并對能譜合成和分析方法以及工具的發展提出了挑戰。
 

　　近年來，國際上較多大型團隊都在積極發展自己的星系多波段能譜合成和分析方法及工具。自2012年，云南天文臺韓云坤等開展了這方面的工作，發展了BayeSED方法和工具。目前，BayeSED方法和工具已經歷三大版本的迭代升級，并與國際上的CIGALE、PROSPECTOR、BAGPIPES等一起成為國際天文廣泛使用的研究工具。
 

　　在最新的BayeSED方法和工具中(圖1)，科研人員增加了基于星系經驗統計性質和嵌套采樣算法的星系族群合成方法(圖2)，基于極限星等的觀測誤差近似模擬方法(observational error modeling)，以及多種新的恒星形成歷史(SFH)和塵埃吸收模型(DAL)。此外，該研究還對復合星族合成(CSP)的算法進行了深度優化，提高了詳盡能譜合成(detailed SED modeling)速度；實現了基于機器學習的快速能譜合成(rapid SED modelling)和詳盡能譜合成的協同配合；改進了基于MPI的并行算法，實現斷點續算，并降低了海量數據并行分析的內存資源消耗；優化了數據輸入和輸出，采用新的數據格式以應對大數據的存儲和分析的需要。
 

　　經過上述改進和優化，BayeSED最終實現了用單核2.2GHz的CPU平均2秒左右對一個星系的多波段測光能譜進行詳細的貝葉斯分析，給出星系的紅移、恒星質量和恒星形成率等一系列基本物理參數及其誤差的自洽一致估計；同時，提供能譜模型的貝葉斯證據(Evidence，奧卡姆剃刀原則——如無必要，勿增實體——的一種定量化實現)用于星系能譜建模中各種不同物理假設的客觀定量比較。該研究系統發展的BayeSED方法和工具的整體性能優于國際上的同類方法和工具，將為CSST的科學產出提供有力支持。
 

　　以此為基礎，研究根據CSST寬視場多波段成像巡天的設計參數，采用基于星系經驗統計性質和基于星系流體動力學模擬兩種方法生成模擬星系樣本，進行了系統的星系測光紅移和星族參數估計的性能測試。結果表明，觀測誤差和能譜模型誤差對參數估計誤差的貢獻最大，參數簡并的貢獻次之，而來自BayeSED分析方法和工具本身的貢獻最小。該工作的系統測試結果，將為后續研究的進一步改進以及CSST科學產出的最大化提供良好的參考。
 

　　研究工作得到國家重點研發計劃、中國載人航天工程、國家自然科學基金、中國科學院“西部之光”人才培養計劃和云南省“興滇英才支持計劃”的支持。
 

圖1. 最新的BayeSED方法和工具結構示意圖
 

圖2. 星系族群合成結果實例：星系紅移與其他物理參數的聯合概率分布