Galaxy 3D Shape Recovery using Mixture Density Network

自世纪之交以来，天文学家一直在利用星体运动图和成像结合提供的丰富信息，试图恢复星系的本征三维形状。一种常见的本征形状恢复方法依赖于本征运动和形态轴之间的预期单调关系和三轴参数。然而，最近的研究对于形状和本征运动不一致的假设提出了质疑。在这项工作中，我们旨在使用混合密度网络（MDN）的监督式机器学习方法，利用星体运动和流量分布的投影数据恢复单个星系的三维形状。我们使用EAGLE宇宙学模拟的模拟数据集，为一组常见的运动学和光度学参数精心选择训练MDN模型。与以往的方法相比，我们展示了MDN模型在检索三轴星系的3D星系形状以及不确定性方面取得的潜在改进。我们提出了特定的建议，以恢复与当前和未来整体场谱学星系调查相关的星系本征形状。

本篇论文旨在利用混合密度网络（MDN）和监督机器学习方法，通过星系的投影星动学和光通量分布来恢复星系的三维形状，以解决之前的方法存在的问题。

本文提出的方法是使用混合密度网络（MDN）和监督机器学习方法，通过星系的投影星动学和光通量分布来恢复星系的三维形状，相比之前的方法，这种方法在检测长形和三轴系统的三维形状方面具有更好的表现，并且能够提供更准确的不确定性估计。

本文使用EAGLE宇宙学模拟的模拟数据集进行了实验，展示了MDN模型在恢复星系三维形状方面的潜在改进，并提出了特定的建议，以便在当前和未来的积分场光谱星系调查中恢复星系的内在形状。此外，本文的方法还可以用于其他领域的三维形状恢复。

在这个领域中，最近的相关研究包括“Recovering the full distribution of galaxy intrinsic shapes using Bayesian inference and machine learning”和“Inferring the 3D shapes of galaxies from combined photometric and kinematic data using machine learning”。