We implement a sample-efficient method for rapid and accurate emulation of semi-analytical galaxy formation models over a wide range of model outputs. We use ensembled deep learning algorithms to produce a fast emulator of an updated version of the galform model from a small number of training examples. We use the emulator to explore the model’s parameter space, and apply sensitivity analysis techniques to better understand the relative importance of the model parameters. We uncover key tensions between observational data sets by applying a heuristic weighting scheme in a Markov chain Monte Carlo framework and exploring the effects of requiring improved fits to certain data sets relative to others. Furthermore, we demonstrate that this method can be used to successfully calibrate the model parameters to a comprehensive list of observational constraints. In doing so, we re-discover previous galform fits in an automatic and transparent way, and discover an improved fit by applying a heavier weighting to the fit to the metallicities of early-type galaxies. The deep learning emulator requires a fraction of the model evaluations needed in similar emulation approaches, achieving an out-of-sample mean absolute error at the knee of the K-band luminosity function of 0.06 dex with less than 1000 model evaluations. We demonstrate that this is an extremely efficient, inexpensive, and transparent way to explore multidimensional parameter spaces, and can be applied more widely beyond semi-analytical galaxy formation models.

中文翻译：

---

基于深度学习的星系形成半解析模型的高效探索和校准

我们实施了一种高效的样本方法，用于在广泛的模型输出范围内快速准确地模拟半解析星系形成模型。我们使用集成深度学习算法从少量训练示例中生成 galform 模型更新版本的快速模拟器。我们使用模拟器来探索模型的参数空间，并应用敏感性分析技术来更好地了解模型参数的相对重要性。我们通过在马尔可夫链蒙特卡罗框架中应用启发式加权方案并探索要求改进对某些数据集相对于其他数据集的拟合的影响，揭示了观测数据集之间的关键张力。此外，我们证明了这种方法可用于成功地将模型参数校准为观察约束的综合列表。在这样做的过程中，我们以自动和透明的方式重新发现了以前的 galform 拟合，并通过对早期型星系的金属丰度的拟合应用更重的权重来发现改进的拟合。深度学习模拟器需要类似模拟方法中所需模型评估的一小部分，在少于 1000 次模型评估的情况下，在 K 波段光度函数的拐点处实现了 0.06 dex 的样本外平均绝对误差。我们证明这是探索多维参数空间的一种极其有效、廉价和透明的方法，并且可以在半解析星系形成模型之外更广泛地应用。我们以自动和透明的方式重新发现以前的 galform 拟合，并通过对早期型星系的金属量的拟合应用更重的权重来发现改进的拟合。深度学习模拟器需要类似模拟方法中所需模型评估的一小部分，在少于 1000 次模型评估的情况下，在 K 波段光度函数的拐点处实现了 0.06 dex 的样本外平均绝对误差。我们证明这是探索多维参数空间的一种极其有效、廉价和透明的方法，并且可以在半解析星系形成模型之外更广泛地应用。我们以自动和透明的方式重新发现以前的 galform 拟合，并通过对早期型星系的金属量的拟合应用更重的权重来发现改进的拟合。深度学习模拟器需要类似模拟方法中所需模型评估的一小部分，在少于 1000 次模型评估的情况下，在 K 波段光度函数的拐点处实现了 0.06 dex 的样本外平均绝对误差。我们证明这是探索多维参数空间的一种极其有效、廉价和透明的方法，并且可以在半解析星系形成模型之外更广泛地应用。深度学习模拟器需要类似模拟方法中所需模型评估的一小部分，在少于 1000 次模型评估的情况下，在 K 波段光度函数的拐点处实现了 0.06 dex 的样本外平均绝对误差。我们证明这是探索多维参数空间的一种极其有效、廉价和透明的方法，并且可以在半解析星系形成模型之外更广泛地应用。深度学习模拟器需要类似模拟方法中所需模型评估的一小部分，在少于 1000 次模型评估的情况下，在 K 波段光度函数的拐点处实现了 0.06 dex 的样本外平均绝对误差。我们证明这是探索多维参数空间的一种极其有效、廉价和透明的方法，并且可以在半解析星系形成模型之外更广泛地应用。