从深度学习视角看 IllustrisTNG 中的星系团普查
宇宙学与河外天体物理
2020-10-14 v2
摘要
星系团多样种群的起源仍是大规模结构形成与星系团演化中未解的一个方面。我们提出一种利用 X 射线图像识别冷核（CC）、弱冷核（WCC）和非冷核（NCC）星系团的新型方法，这些类别由其中心冷却时间定义。我们采用常用于图像分析的卷积神经网络 ResNet-18 来对星系团分类。我们为取自 IllustrisTNG 模拟的 318 个大质量星系团样本生成了模拟 Chandra X 射线观测。该网络使用覆盖样本星系团中心 1 Mpc 方形的低分辨率模拟 Chandra 图像进行训练和测试。在没有任何能谱信息的情况下，该深度学习算法能够识别 CC、WCC 和 NCC 星系团，分别达到 92%、81% 和 83% 的平衡准确率（BAcc）。该性能优于使用中心气体密度的常规方法（平均 BAcc = 81%）或使用面亮度集中度的常规方法（BAcc = 73%）的分类。我们使用类激活映射来定位分类决策中的判别区域。从该分析我们观察到，网络分别利用了从星系团中心到 r~300 kpc 和 r~500 kpc 的区域来识别 CC 和 NCC 星系团。它可能识别出了星系团介质中与 AGN 反馈和破坏性大并合相关的特征。
引用
@article{arxiv.2007.05144,
title = {A deep learning view of the census of galaxy clusters in IllustrisTNG},
author = {Y. Su and Y. Zhang and G. Liang and J. A. ZuHone and D. J. Barnes and N. B. Jacobs and M. Ntampaka and W. R. Forman and P. E. J. Nulsen and R. P. Kraft and C. Jones},
journal= {arXiv preprint arXiv:2007.05144},
year = {2020}
}
备注
Accepted for publication in MNRAS