一种用于在星系团中解耦自相互作用与冷暗物质的可解释人工智能框架：CKAN 方法
天体物理仪器与方法
2025-10-13 v1 宇宙学与河外天体物理
摘要
卷积神经网络已显示出其在星系团尺度上区分自相互作用暗物质和冷暗物质的能力。然而，其庞大的参数量和“黑箱”特性使得评估其决策是否遵循物理原理变得困难。为解决这一问题，我们构建了一个卷积 Kolmogorov-Arnold 网络，该网络减少了参数量并增强了可解释性，并提出了一种新颖的分析框架来理解网络的决策过程。利用此框架，我们借助网络定性地评估了暗物质分布中心与星系团中心之间的偏移，以及不同模型中加热区域的大小。这些发现与当前的理论预测一致，并显示了网络的可解释性。通过将网络可解释性与未见过的测试结果相结合，我们还估计，对于星系团中的自相互作用暗物质，可靠识别其碰撞性质所需的最小截面 介于 和 之间。此外，CKAN 在模拟的 JWST 和 Euclid 噪声下保持了稳健的性能，突显了其应用于即将到来的观测巡天的前景。
引用
@article{arxiv.2509.06788,
title = {An Interpretable AI Framework to Disentangle Self-Interacting and Cold Dark Matter in Galaxy Clusters: The CKAN Approach},
author = {Zhenyang Huang and Haihao Shi and Zhiyong Liu and Na Wang},
journal= {arXiv preprint arXiv:2509.06788},
year = {2025}
}
备注
15 pages, 8 figures; accepted for publication in The Astronomical Journal