近日，天文学国际期刊《天体物理学期刊增刊》（The Astrophysical Journal Supplement Series）发表了中国科学院云南天文台韩云坤副研究员等人与中国科学技术大学范璐璐教授和中国科学院紫金山天文台郑宪忠研究员合作完成的最新研究成果，在中国空间站工程巡天空间望远镜（CSST）多波段成像巡天中同时进行星系测光红移和星族参数估计的性能测试方面取得新进展。
星系是构成宇宙的基本单元，研究星系的形成和演化有助于揭示暗物质和暗能量的本质，是现代天体物理学领域中最具挑战性的问题之一。星系的多波段能谱分析能够用于测量星系红移、恒星质量和恒星形成率等基本物理参数，是认识星系中恒星、星际介质和超大质量黑洞相关的众多复杂物理过程的一个重要的基础，是星系研究领域的研究重点。国际上最先进的韦布（JWST）和欧几里得（Euclid）空间望远镜，以及研制中的CSST和Roman空间望远镜等将为我们提供海量的多波段数据，为人们更深入地认识星系的形成和演化提供一个巨大机遇，也对能谱合成和分析方法及工具的发展提出了巨大的挑战。
近年来，国际上很多大型团队都在积极发展自己的星系多波段能谱合成和分析方法及工具。云南天文台韩云坤等人早在2012年就开始了这方面的工作（Han & Han, 2012, 2014, 2019），系统的发展了BayeSED方法和工具，目前已经经历了三个大版本的迭代升级，并且与国际上的CIGALE（法国）、PROSPECTOR（美国）、BAGPIPES（英国）等一起成为国际天文广泛使用的研究工具。
在最新的BayeSED方法和工具中（见图1），研究者增加了基于星系经验统计性质和嵌套采样算法的星系族群合成方法（见图2），基于极限星等的观测误差近似模拟方法（observational error modeling），以及多种新的恒星形成历史（SFH）和尘埃吸收模型（DAL）。另外，研究者还对复合星族合成（CSP）的算法进行了深度优化，详尽能谱合成（detailed SED modeling）速度大幅提高；实现了基于机器学习的快速能谱合成（rapid SED modelling）和详尽能谱合成的协同配合；改进了基于MPI的并行算法，实现断点续算，并且大幅降低了海量数据并行分析的内存资源消耗; 优化数据输入和输出，采用新的数据格式以应对大数据的存储和分析的需要。
经过上述改进和优化，BayeSED最终实现了用单核2.2GHz的CPU平均2秒左右对一个星系的多波段测光能谱进行详细的贝叶斯分析，给出星系的红移、恒星质量和恒星形成率等一系列基本物理参数及其误差的自洽一致估计，同时提供能谱模型的贝叶斯证据（Evidence，奥卡姆剃刀原则——如无必要，勿增实体——的一种定量化实现）用于星系能谱建模中各种不同物理假设的客观定量比较。研究者系统发展的BayeSED方法和工具的整体性能优于国际上的同类方法和工具，将为CSST的科学产出提供有力的支持。
在此基础之上，研究者根据CSST宽视场多波段成像巡天的设计参数，采用基于星系经验统计性质和基于星系流体动力学模拟两种方法生成模拟星系样本，进行了系统的星系测光红移和星族参数估计的性能测试。结果表明，观测误差和能谱模型误差对参数估计误差的贡献最大，参数简并的贡献次之，而来自BayeSED分析方法和工具本身的贡献最小。该项研究的系统测试结果将为后续研究的进一步改进以及CSST科学产出的最大化提供良好的参考。
该成果受到了国家重点研发计划、中国载人航天工程、国家自然科学基金、中国科学院“西部之光”人才培养计划和云南省“兴滇英才支持计划”的支持。
图1 最新的BayeSED方法和工具结构示意图
图2 星系族群合成结果实例：星系红移和其它物理参数的联合概率分布
