星系團的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列問答集和資訊懶人包

超實用．科學用語圖鑑：物理、電、化學、生物、地科、宇宙6大領域讓你一次搞懂136個基礎科學名詞

為了解決星系團的問題，作者水谷淳 這樣論述：

科學素養第一步 從AI時代的科技用語，到生命誕生的機制── 深入淺出，解開生活在現代所必須理解的重要科學用語    　　你是不是常覺得「科學新聞很難懂」，或是「那些科學家所說的話我都聽不太懂」。會有這種感覺，主要原因之一，就是不了解科學語言與那些專有名詞的意思。   　　本書就是為了打破大家對於科學那種霧裡看花的感覺而誕生的。書中從【物理、電學、化學、生物、地球科學、宇宙】六大領域中，精選136個基本科學詞語，以有趣生動的圖文方式，解釋這些科學用語的大略意義、容易令人誤解的理由，以及與日常生活間的關係。   　　不管你是曾經學過理化科學但已經忘記的成年人，或是正在學習苦讀的學生，這本書讓你

從此對於科學不再感到害怕，也讓我們生活周遭的科學用語變得淺顯易懂，不再一知半解。   　　【6大領域】 　　物理Physics 　　運動／力、場／能量／功／向量／慣性、離心力／光譜／重力／熵／核分裂、核融合……   　　電Electricity 　　電荷、電場／磁／半導體、電晶體／超導／雷射／LED／人工智慧／量子電腦……   　　化學Chemistry 　　元素、同位素／化合物／週期表／固體、液體、氣體／卡路里／酸、鹼、中和／奈米碳管……   　　生物Biology 　　細胞／光合作用、葉綠體／基因體、基因／DNA、RNA／基因操作、基因體編輯／免疫、疫苗、過敏……   　　地科Geogra

phy 　　低氣壓、高氣壓／鋒面／颱風／火山、地震／震度、地震規模／頁岩氣、頁岩油、甲烷水合物……   　　宇宙Cosmology 　　光年、天文單位、秒差距／彗星／星系／黑洞／大霹靂、宇宙暴脹／重力波／暗物質、暗能量……   本書特色   　　★一個跨頁解釋一個或一組相關科學用語，沒有艱澀的觀念，而是用比喻的方式帶你輕鬆進入 　　★6大領域，涵蓋報章雜誌常出現和討論的科學用語，你想從哪個領域開始閱讀都可以 　　★插畫搭配文字，更容易理解，留下具體印象 　　★六個科學專欄，探討科學的本質，以及如何看待科學，避免被騙或誤用   審閱&推薦   　　書中以淺顯文字解釋一些常見的科學名詞，加

上插圖輔助，讓讀者能快速吸收了解。──屋頂上的天文學家主理人 李昫岱   　　即使短篇幅仍能利用易懂的圖片及親人的文字傳達清楚的物理概念，推薦給在學或是想一探科普新聞用語的你。──物理教學YouTuber吳旭明 × 蔡佳玲   　　要了解核心理論、貫通基本概念，第一步就是先清楚了解相關專有名詞的定義，與這些專有名詞間的關係。──北一女中生物科教師 蔡任圃   　　《超實用．科學用語圖鑑》像是實體版的簡要科學維基，提供了豐富的圖文說明科學專有名詞，而且在學科主題間加上了科學方法的內容，是兼具科學知識和方法的科普書。──十二年國教自然領綱委員　鄭志鵬（小P老師）   　　（按姓氏筆畫序排列） 　　

星系團進入發燒排行的影片

深度學習於星系團成員之應用

為了解決星系團的問題，作者劉承翰 這樣論述：

星系團成員星系的判斷對於星系演化、星系團質量和宇宙學等研究至關重要。在過去的二十年裡，已經有好幾種星系團成員星系的判斷方法被開發了。一般來說，有三種方法，第一是基於星系顏色與亮度的方法，例如紅序列(red sequence)；第二是基於紅移的方法，研究人員透過直接測量星系的光度紅移(photometric redshift, photo-z)或光譜紅移(spectroscopic redshift, spec-z)來判斷我們與該星系的距離，第三則是基於機器學習(machine learning, ML)或深度學習(deep learning, DL)，直接進行星系團成員星系的判斷。近年來，基

於機器學習或深度學習的方法為光度紅移及星系團成員星系的判斷帶來更高效率且更好的結果。但是，這些研究都是基於大量的光譜能量分布(spectral energy distribution, SED)的資訊，也就是說，多波段，這些研究人員通常使用五個以上的波段。在我們的研究當中，我們想要知道，利用兩個波段及非SED的資訊，例如星系的表面亮度或是形狀，是否能夠得到與其他紅移估計與星系團成員辨認相關研究相當，或是更好的結果，同時，我們也設置了一系列的深度學習實驗來了解怎樣的來源，前景或是背景星系，會對星系團成員星系的辨認造成影響。我們的研究結果顯示，使用兩個波段及非SED的資訊在紅移估計上得到可與其他研

究可相提並論之結果，我們模型的均方根誤差(root mean squared error)大約為0.08，而平均絕對誤差(mean absolute error)大約為0.06，且光學波段(V band)對於紅移的估計相對重要。在星系團成員星系的判斷上，我們得到70 %的ROC下面積(area under receiver operating characteristic curve, AUC)，前景星系對於星系團成員星系的判斷會造成問題，以及利用不同視線上速率(line-of-sight velocity)來限制星系團成員星系的範圍並不會對結果產生影響。除此之外，我們透過比較利用深度學習以及

利用預測的紅移，這兩種方式在星系團成員星系的判斷上得知，利用預測的紅移來判斷星系團成員星系是不可能的，因為預測紅移的模型誤差比星系團的紅移範圍還要大。在深度學習模型方面，我們發現到利用適當數量的資料訓練多層感知器與卷積神經網路的混和模型(hybrid MLP-CNN model)，通常能夠得到較好且較穩定的結果，這樣的結果顯示讓深度學習模型同時學習物體的特徵數值及結構是較好的訓練策略。

Galileo科學大圖鑑宇宙套書：《宇宙大圖鑑》+《太陽系大圖鑑》(共兩冊)

為了解決星系團的問題，作者日本NewtonPress 這樣論述：

★把豐富的宇宙關鍵字詞加以視覺化 ★加入許多關於宇宙的小知識及有趣的專欄 ★滿載望遠鏡拍攝到的珍貴天文圖片   　　伽利略科學大圖鑑《宇宙大圖鑑》+《太陽系大圖鑑》套書   　　我們居住的太陽系除了八大行星以外，連同衛星、矮行星、小行星帶、彗星等所有天體，都屬於太陽系的一份子，《太陽系大圖鑑》利用深入淺出的文字，搭配精緻寫實的珍貴圖像，以七大主題探討各星體獨具的特色與各種有趣的天文現象，不但適合天文初學者開啟興趣，加深宇宙與自身的連結，也適合想更加認識宇宙的人，收藏兼具基礎知識與廣度的精美圖鑑。   　　《宇宙大圖鑑》則是將尺度延伸到太陽系之外，縱覽恆星、星系的種類與型態，回溯宇宙誕生初期

的瞬間及未來面貌，再回顧人類的太空探測歷史，能讓讀者從更完整的角度認識這廣袤無邊的宇宙，加深印象與概念。   　　「伽利略科學大圖鑑系列」主題單一，適合國中以上想探索各樣知識的讀者，容易建立基礎觀念，又可以隨著學習階段加以延伸閱讀。   系列特色   　　1. 日本牛頓出版社獨家授權。 　　2. 主題明確，解釋清晰。 　　3. 以關鍵字整合知識，含括範圍廣，拓展學習視野。

史隆巡天第四代 MaNGA計畫：星系相食實錄--星系團最亮星系的多核率

為了解決星系團的問題，作者徐允心 這樣論述：

在Λ-冷暗物質宇宙學典範下，宇宙中結構是以階層式形成。星系團最亮星系（Brightest cluster galaxies, 簡稱BCG）位於星系團的中心，正代表了此階層式結構形成的頂點。星系團最亮星系的性質與它們的星系團有強烈關聯，並且它們的形成過程很可能含有星系與星系團形成的重要限制條件。紅移小於0.5時，星系團最亮星系的恆星質量增長在觀測和模擬之間有差異。此研究旨在解決此差異。我們藉由直接比較星系團最亮星系中心區域的多核率來解決這個差異。我們利用MaNGA計畫（Mapping Nearby Galaxies at APO, 簡稱MaNGA）所提供89個星系團最亮星系的空間解析光譜，以區

分合併系統和視線方向隨機重疊的投影，並得到星系團最亮星系多核率之最具統計顯著性的成果。我們開發了一套程式以自動化偵測星系團最亮星系的核，並將此程式使用於最新最大的宇宙學流體動力學模擬IllustrisTNG的300^3立方百萬秒差距（Mpc^3）版本製成的擬真模擬影像。我們從紅移為0.06-0.15的體積限制樣本（volume-limited sample）測得觀測多核率為0.097±0.036，並從218個模擬的星系團最亮星系測得多核率為0.066±0.018。我們的觀測結果與模擬結果只有一個標準差的差異。我們還發現多核通常實際上和星系團最亮星系有關聯，而非隨機的重疊投影。將來我們的自動化程

式可應用在對於星系團最亮星系的更深影像巡天計畫和更多樣本的無狹縫光譜巡天計畫。