一种用于星系团动力学质量测量的鲁棒高效深度学习方法

我们展示了卷积神经网络（CNNs）能够缓解位力标度关系中的系统误差，并以极低的偏差和弥散给出星系团的动力学质量估计。我们提出两个模型，CNN$_\mathrm{1D}$ 和 CNN$_\mathrm{2D}$，利用这一深度学习工具从成员星系动力学分布推断团质量。我们的第一个模型 CNN$_\text{1D}$ 直接从成员星系视线速度分布推断团质量。第二个模型 CNN$_\text{2D}$ 扩展了 CNN$_\text{1D}$ 的输入空间，以在星系视线速度与投影径向距离的联合分布上学习。我们使用由 MultiDark 模拟和 UniverseMachine 星表生成的真实模拟团观测标记目录，将每个模型作为团质量的回归进行训练。随后，我们从同一模拟星表中选取独立的模拟观测集评估各模型性能。CNN 模型给出的团质量预测具有低至 $0.132$ dex 的对数正态残差弥散，比经典的 $M$-$\sigma$ 幂律估计器改进超过 2 倍。此外，CNN 模型将预测弥散相较类似机器学习方法降低至多 $17\%$，同时训练与评估时间大幅缩短（达 30 倍），并在星系采样率变化下显著提升预测稳定性（达 $30\%$）。