最近的研究發現，處於高密度環境的星系往往比孤立的星系大得多，這對現有的星系形成理論提出了挑戰。這項發現得益於機器學習和來自數百萬個星系的大量數據。這些發現提出了關於暗物質和星系合併在塑造宇宙中的作用的新問題。

距離地球約20 億光年的密集星系團Abell 2218 的圖像。圖片來源：NASA、ESA 和Johan Richard；鳴謝：Davide de Martin 和James Long（ESA/哈伯）：Davide de Martin 和James Long（歐空局/哈伯）

密集環境中的星系與孤立環境中的星系

幾十年來，科學家已經知道，有些星系居住在密集的環境中，附近有許多其他星系。而有些星系基本上是獨自在宇宙中漂流，它們所在的宇宙角落幾乎沒有其他星系。

一項新的研究發現，在這些不同環境中的星系之間存在著重大差異：有更多鄰居的星系往往比它們的同類星系更大，後者俱有相似的形狀和質量，但所處的環境密度較低。華盛頓大學、耶魯大學、德國波茨坦萊布尼茲天文物理研究所和日本早稻田大學的研究人員在8月14日發表在《天文物理學雜誌》上的一篇論文中報告說，在宇宙密度較高區域發現的星係比孤立星系大25%之多。

各種形狀和大小的星系圖像。新的研究表明，鄰近星系越多的星系往往越大。圖片來源：NAOJ/NASA/ESA/CSA

機器學習揭示銀河系發展趨勢

這項研究使用了一種新的機器學習工具來分析數百萬個星系，有助於解決天文物理學家長期以來對星系大小與其環境之間關係的爭論。這些發現也提出了關於星系如何在數十億年中形成和演化的新問題。

“目前關於星系形成和演化的理論無法充分解釋聚類星係比宇宙中密度較低區域的同類星系更大這一發現，”領銜作者、華大天文學博士後研究員、DiRAC研究所LSST-DA催化劑研究員Aritra Ghosh說。 “這是天文物理學最有趣的地方之一。有時候，理論預測我們應該發現的東西和測量實際發現的東西並不一致，因此我們會回頭嘗試修改現有理論，以便更好地解釋觀測結果。 “

過去關於星系大小的研究相互矛盾

過去對星系大小與環境之間關係的研究得出了相互矛盾的結果。一些研究認為星系團中的星係比孤立的星系小。另一些研究則得出了相反的結論。這些研究的範圍一般要小得多，都是基於對數百或數千個星系的觀測。

在這項新研究中，戈什和他的同事利用夏威夷的斯巴魯望遠鏡對數百萬個星系進行了調查。這項被稱為”超級超ime-Cam斯巴魯戰略計劃”的工作為每個星系拍攝了高品質的影像。研究小組選取了大約300 萬個擁有最高品質資料的星系，並使用機器學習演算法來確定每個星系的大小。接下來，研究人員在每個星系周圍畫了一個半徑3000 萬光年的圓圈。這個圓代表星系的近鄰。然後，他們提出了一個簡單的問題：這個圓圈內有多少個鄰近星系？

答案顯示了一個明顯的總體趨勢：有更多鄰居的星系平均也更大。

暗物質和合併的作用

原因可能有很多。也許密集成團的星系在最初形成時體積較大，或更有可能與近鄰星系進行有效的合併。也許暗物質–一種構成宇宙中大部分物質的神秘物質，卻無法透過任何現有手段直接探測到–在其中發揮了作用。畢竟，星係是在暗物質的”光環”中形成的，而這些光環的引力對星系的演化起著至關重要的作用。

戈什說：「理論天文物理學家必須透過模擬進行更全面的研究，才能最終確定為什麼有更多鄰居的星系往往更大。目前，我們只能說，我們確信星系環境與星系大小之間存在這種關係。

天文學機器學習的進展

利用Hyper Suprime-Cam Subaru 戰略計劃這樣一個極其龐大的數據集，有助於團隊得出明確的結論。但這只是故事的一部分。他們用來幫助確定每個星系大小的新型機器學習工具也考慮了星系大小測量中固有的不確定性。

戈什說：「在這項研究之前，我們已經學到了一個重要的經驗，那就是解決這個問題不僅僅需要調查大量的星系。你還需要仔細的統計分析。其中一部分來自機器學習工具，它可以準確量化我們對星系特性測量的不確定性程度。

GaMPEN：面向未來的工具

他們使用的機器學習工具名為GaMPEN–即銀河形態後驗估計網路。身為耶魯大學的博士生，戈什領導了GaMPEN的開發工作，並於2022年和2023年在《天文物理學雜誌》（Astrophysical Journal）上發表了論文。戈什說，該工具可在網路上免費獲取，並可用於分析其他大型巡天。

雖然這項新研究的重點是星系，但它也預測了不久將在天文學界掀起風暴的研究類型–以對難以置信的龐大數據集進行複雜分析為中心。當包括智利維拉-C-魯賓天文台（Vera C. Rubin Observatory）在內的新一代配備強大相機的望遠鏡投入使用時，它們每晚都將收集大量的宇宙數據。為此，科學家一直在開發像GaMPEN 這樣的新工具，以便利用這些大型資料集來回答天文物理學中的迫切問題。

Ghosh說：”很快，大型資料集將成為天文學的常態。這項研究完美地展示了只要有合適的工具，你就能用它們做些什麼。”

編譯自/ ScitechDaily