利用神经网络加速星系动力学建模以进行透镜与运动学联合分析

强引力透镜是提供星系质量分布和宇宙学参数（如哈勃常数 $H_0$）约束的有力工具。然而，从透镜系统图像推断这些参数并非易事，因为参数简并会限制所测透镜质量和宇宙学结果的精度。需要以运动学测量形式给出的关于透镜质量的外部信息，以确保精确且无偏的推断。传统上，此类运动学信息在图像建模之后被纳入推断，使用球状 Jeans 近似来匹配在孔径内积分的测得速度弥散。然而，随着 IFU 数据使空间分辨运动学测量成为可能，更精细的动力学建模成为必要。此类运动学建模代价高昂，构成我们计算瓶颈，我们旨在用恒星运动学神经网络 (SKiNN) 克服之。SKiNN 用神经网络模拟轴对称建模，从给定质量模型快速合成可与观测比较以评估似然的运动学图。借助透镜加运动学联合框架，该似然与成像数据同时约束质量模型。我们展示 SKiNN 对运动学图的模拟精度远优于可测精度（几乎所有情况下优于 $1\%$）。使用 SKiNN 将似然评估加速约 $\sim 200$ 倍。这一加速使动力学建模经济可行，并让透镜建模者能在 JWST 时代有效利用现代数据质量。