一种用于消除自互作用暗物质与 AGN 反馈模型的深度学习算法

不同的暗物质模型会以各种方式改变星系团质量分布。然而， Uncertain astrophysics feedback 机制也会产生类似的影响。本文提出了一种机器学习方法，该方法“学习”了暗物质自互作用效应与 astrophysics feedback 效应之间的差异，以打破这种混沌并对暗物质进行推断。我们在来自流体动力学仿真的星系团图像上训练卷积神经网络。在理想化情况下，该算法在识别星系团是否携带无碰撞暗物质、$\sigma_{\rm DM}/m = 0.1\,{\rm cm}^2/{\rm g}$ 或 $\sigma_{DM}/m = 1\,{\rm cm}^2/{\rm g}$ 的暗物质时准确率为 80%。尽管我们发现添加 X 射线 emissivity 图并不能提高区分碰撞性暗物质的性能，但确实提高了消除不同 astrophysics feedback 模型的能力。我们包括噪声以模拟来自 Euclid 和 Chandra 的预期数据，发现该模型的统计误差小于 $0.01\,{\rm cm}^2/{\rm g}$，且该算法对形状测量偏差和光度红移误差不敏感。这一方法代表了一种全新的分析方法，可用于分析即将到来的望远镜数据，比以往更精确约一个数量级，快许多个数量级，使我们能够像从未有过的一样探索暗物质参数空间。