Star formation characteristics of CNN-identified post-mergers in the Ultraviolet Near Infrared Optical Northern Survey (UNIONS)
Notice bibliographique
Résumé
ABSTRACT The importance of the post-merger epoch in galaxy evolution has been well documented, but post-mergers are notoriously difficult to identify. While the features induced by mergers can sometimes be distinctive, they are frequently missed by visual inspection. In addition, visual classification efforts are highly inefficient because of the inherent rarity of post-mergers (~1 per cent in the low-redshift Universe), and non-parametric statistical merger selection methods do not account for the diversity of post-mergers or the environments in which they appear. To address these issues, we deploy a convolutional neural network (CNN) that has been trained and evaluated on realistic mock observations of simulated galaxies from the IllustrisTNG simulations, to galaxy images from the Canada France Imaging Survey, which is part of the Ultraviolet Near Infrared Optical Northern Survey. We present the characteristics of the galaxies with the highest CNN-predicted post-merger certainties, as well as a visually confirmed subset of 699 post-mergers. We find that post-mergers with high CNN merger probabilities [p(x) > 0.8] have an average star formation rate that is 0.1 dex higher than a mass- and redshift-matched control sample. The SFR enhancement is even greater in the visually confirmed post-merger sample, a factor of 2 higher than the control sample.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».