一种用于暗物质晕及子晕中填充星系的稀疏回归方法

我们使用稀疏回归方法（SRM）构建准确且可解释的模型，以宿主暗物质晕的性质为函数预测中心星系与卫星星系的恒星质量。SRM 是机器学习算法，提供从数据建模系统控制方程的框架。与其他机器学习算法不同，SRM 方法的求解形式简单，且依赖于相对较少的可调参数。我们从 EAGLE 模拟中收集了 35,459 个星系的数据，使用 $z=0$ 到 $z=4$ 之间的 19 个红移切片来参数化宿主晕的质量演化。借助恰当的输入参数表述，我们的方法可使用单一预测模型对卫星晕与中心晕建模，其精度与分别预测时相当。这使我们能够去除这两类星系间某种任意的区分，并仅基于其晕增长历史对它们建模。我们的模型能准确复现 EAGLE 的总星系恒星质量函数以及依赖于恒星质量的星系相关函数（$\xi(r)$）。我们表明，我们的 SRM 模型对 $\xi(r)$ 的预测与子晕丰度匹配（sub-halo abundance matching）相当，并可能与极端随机树（extremely randomized trees）的结果相媲美。我们建议将 SRM 作为一种有前景的方法，用于仅含暗物质的模拟的晕中填充星系，以及生成可用于探索星系演化或分析即将开展的大尺度结构巡天的模拟星表。