基于贝叶斯推理和机器学习方法分析星系的星族和AGN成分

In the formation and evolution of galaxies, there are tight and intricate relationships between the formation and evolution of stars and AGN activities, which are the keys to understanding the formation and evolution of galaxies while poorly understood. Fortunately, these complex physical processes leave their imprints in the integrated multi-wavelength spectral energy distributions (SEDs) of galaxies. Therefore, the models for the SEDs of stellar population and AGN are important basis for determining the basic physical parameters, such as age, stellar mass, star formation rate, black hole mass and black hole accretion rate of galaxies, from their multi-wavelength observations. However, a lot of uncertainties remain in the SED models of stellar population and AGN, which lead to a large number of possibly highly degenerated free parameters. This presents a great challenge to the traditional method of SED analysis. Given this, based on Bayesian inference and machine learning, we will systematically develop a unified set of methods for a more comprehensive analysis of the multi-wavelength photometric and spectroscopic SEDs of galaxies. By using these methods, the physical properties of stellar population and AGN components of galaxies and the relationships between them will be better understood.

在星系的形成和演化过程中，恒星的形成和演化与AGN活动之间有着密切而错综复杂的关系。如何更好的认识这些复杂的相互关系是人们理解星系的形成和演化过程的一个关键，也是目前该领域研究中的一个重点和难点。恒星形成和演化与AGN活动都会在星系的多波段能谱中留下印记。因此，星族和AGN的电磁能谱模型是从星系的多波段观测数据反推其年龄、恒星质量、恒星形成率、黑洞质量、黑洞吸积率等基本物理参数，进而研究其相互关系的重要基础。然而，目前人们对星系中星族和AGN成分自身及其相对比例的认识都存在着较大的不确定性，从而导致能谱模型中存在大量的自由参数，并且很多参数之间简并严重。这些困难的存在对传统的能谱分析方法的可靠性提出了巨大的挑战。为此，本项目将在之前工作的基础上，系统的发展一套统一的、基于贝叶斯推理和机器学习方法的、测光和分光数据相结合的能谱分析方法，用于研究星系的星族和AGN成分的物理性质及其相互关系。

星系的形成和演化涉及恒星的形成和演化、星际介质的形成和演化、超大质量黑洞的吸积和反馈等相互纠缠的复杂物理过程。如何更好的认识这些复杂的物理过程之间的复杂相互关系是人们理解星系的形成和演化过程的一个关键，也是目前该领域研究中的一个重点和难点。星系的多波段能谱分析是确定星系的恒星、星际介质和AGN等各种物理成分的基本参数的一种重要而基本的方法。其中涉及的多种不确定的能谱成分、多参数及参数简并等困难对星系的能谱分析方法提出了巨大的挑战。本项目的主要研究内容是系统的发展一套统一的、基于贝叶斯推理和机器学习方法的新一代星系多波段能谱分析方法和工具——BayeSED，并且将其应用于星系的星族、星际介质和AGN成分的物理性质及其相互关系的研究。通过本项目的执行，我们已经在 BayeSED中成功的实现了16个简单星族(SSP)模型、8 种恒星形成历(SFH)、 6 种尘埃吸收定律(DAL)；更加系统的发展了贝叶斯星系能谱模型比较方法，首次提出并实现了通过构建多级贝叶斯模型(Hierarchical Bayesian Modeling)并计算其贝叶斯证据的方法，将一个大星系样本的能谱模拟作为一个整体来考虑，实现了统计上更加稳健的贝叶斯模型比较研究，并且进行了目前为止最大规模的贝叶斯演化星族合成模型比较研究； 在BayeSED中引入了AGN的CLUMPY torus模型、灰体辐射、幂律谱等更多的能谱模型成分；并且将BayeSED广泛地应用于超高光度红外星系、超高光度热尘埃遮蔽星系、亚毫米星系的光度、恒星质量、恒星形成率等物理参数的确定及其演化的研究; 完成了BayeSED V2.0的网页(https://bayesed.readthedocs.io/en/v2.0/)；共发表相关学术论文7篇。通过本项目的研究得出的BayeSED （v.2.0）方法和工具将有望在较长的一段时期内广泛应用于星系形成和演化的研究。