Katachi (形): Decoding the Imprints of Past Star Formation on Present-day Morphology in Galaxies with Interpretable CNNs*
Notice bibliographique
Résumé
Abstract The physical processes responsible for shaping how galaxies form and quench over time leave imprints on both the spatial (galaxy morphology) and temporal (star formation history; SFH) tracers that we use to study galaxies. While the morphology–SFR connection is well studied, the correlation with past star formation activity is not as well understood. To quantify this, we present Katachi (形), an interpretable convolutional neural network framework that learns the connection between the factors regulating star formation in galaxies on different spatial and temporal scales. Katachi is trained on 9904 galaxies at 0.02 < z < 0.1 in the SDSS-IV MaNGA DR17 sample to predict stellar mass (M *; root mean square error (RSME) 0.22 dex), current star formation rate (SFR; RMSE 0.31 dex), and half-mass time (t 50; RMSE 0.23 dex). This information allows us to reconstruct nonparametric SFHs for each galaxy from gri imaging alone. To quantify the morphological features informing the SFH predictions, we use SHAP (SHapley Additive exPlanations). We recover the expected trends of M * governed by the growth of galaxy bulges, as well as those of SFR correlating with spiral arms and other star-forming regions. We also find that the SHAP maps of D4000 are more complex than those of M * and SFR, and that morphology is correlated with t 50 even at fixed mass and SFR. Katachi serves as a scalable public framework to predict galaxy properties from large imaging surveys including Rubin, Roman, and Euclid, with large data sets of high signal-to-noise ratio imaging across limited photometric bands.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».