星系团动力学质量测量的机器学习方法
宇宙学与河外天体物理
2021-01-15 v3
摘要
我们提出了一种现代机器学习方法用于星系团动力学质量测量，相比使用传统标度关系，精度提高了两倍。针对从Multidark公开的N体MDPL暗晕目录中构建的、质量>=10^14 Msolar/h的暗晕的模拟星系团目录，测试了不同方法。在传统方法中，我们使用标准的M(σ_v)幂律标度关系，从视线方向星系速度弥散σ_v推断星系团质量M。得到的分数质量误差分布很宽，宽度=0.87（68%弥散），并具有延伸的高误差尾部。通过包含视线速度分布的高阶矩，可以简单地增强标准标度关系。将峰度作为log(σ_v)的修正项，将误差分布宽度减小到0.74（改进16%）。机器学习可用于充分利用速度分布中的所有信息。我们采用了支持分布机(SDMs)算法，该算法从数据分布中学习以预测单个值。在视线速度分布上训练和测试的SDMs得到宽度=0.46（改进47%）。此外，质量误差分布的有问题的尾部被有效消除。减小星系团质量误差将改善结构增长的测量，并导致对宇宙学参数更严格的约束。
引用
@article{arxiv.1410.0686,
title = {A Machine Learning Approach for Dynamical Mass Measurements of Galaxy Clusters},
author = {Michelle Ntampaka and Hy Trac and Danica J. Sutherland and Nicholas Battaglia and Barnabas Poczos and Jeff Schneider},
journal= {arXiv preprint arXiv:1410.0686},
year = {2021}
}
备注
Published in The Astrophysical Journal, 13 pages, 8 figures. Support Distribution Machines is publicly available at https://github.com/djsutherland/py-sdm