利用 EAGLE 与 C-EAGLE 模拟将重子物质映射到暗物质晕上的机器学习方法

高分辨率宇宙学流体动力学模拟因其计算代价而目前局限于相对较小的体积。然而，探测稀有的高密度环境并测量大尺度结构的成团统计需要大得多的体积。通常，单个区域的 zoom 模拟用于研究稀有环境，而应用于仅含暗物质（DMO）模拟的半解析模型和晕占据模型用于大体积 regime 下研究宇宙。我们提出一种新方法，使用机器学习框架在周期性 EAGLE 模拟与星系团 zoom C-EAGLE 模拟中探索晕-星系关系。我们训练了一种基于树的机器学习方法，根据其宿主暗物质晕的性质预测星系的重子性质。训练好的模型以完整流体动力学模拟计算代价的极小部分成功再现了若干关键分布函数。通过在周期性模拟与高密度环境 zoom 模拟上同时训练，我们学习了不同环境中星系演化的偏倚。这使我们能将训练好的模型应用于比仅基于周期性模拟训练所能支持更大的 DMO 体积。我们利用 $(800 \; \mathrm{Mpc})^3$ P-Millennium 模拟展示了该应用，并给出了该大体积下 EAGLE 模型的关键重子分布函数与成团统计的预测。