IllustrisTNG 中次暗晕密度剖面的深度学习模型

我们提出了一个基于机器学习的模型，用于描述 IllustrisTNG100 模拟中质量 $M \gtrsim 7\times 10^8\,h^{-1}{\rm M}_\odot$ 的次暗晕的总密度剖面。该模型基于一个可解释变分编码器 (IVE)，它在一个低维表示中返回密度剖面变化的独立因子，以及密度剖面本身的预测。IVE 在所有径向范围上都返回准确且无偏的预测，包括次暗晕经历潮汐剥离的外区剖面；在那里，其拟合精度超过了常用的 Einasto 剖面。IVE 发现了剖面中三个独立的自由度，这些自由度可以根据次暗晕的形成历史来解释。除了控制剖面归一化和内部形状的两个参数外，IVE 还发现了第三个参数，它解释了潮汐剥离对次暗晕外部剖面的影响；该参数对次暗晕落入其母暗晕后所经历的质量损失敏感。与纯暗物质的预期相比，IllustrisTNG 星系形成模型中的重子物理并未影响剖面中识别出的自由度数，也未影响其物理解释。我们新提出的剖面拟合可用于强透镜分析或其他旨在从小尺度结构约束宇宙学的观测研究。