基于机器学习的 N 体模拟中暗物质晕结构形成分析
宇宙学与河外天体物理
2023-06-21 v2
摘要
初始条件下物质密度场的属性对当今观测到的宇宙大尺度结构特征具有决定性影响。这些需要通过 N 体模拟来研究，而 N 体模拟对于分析坍缩为高密度区域并形成暗物质晕至关重要。在本文中，我们用来自 N 体模拟的信息训练机器学习算法，以推断两个属性：暗物质粒子晕分类（可基于追溯至初始条件的物质密度场特征预测晕的形成），以及通过计算晕质量函数（HMF）得到的暗物质晕形成，该函数给出了给定阈值下暗物质晕的数密度。我们将物质密度场初始条件映射为暗物质晕结构的分类标签。模拟的晕质量函数通过理论方法以及我们训练的算法进行计算和重建。我们测试了若干机器学习技术，发现随机森林（Random Forest）和神经网络（Neural Networks）是宇宙学模拟中分类暗物质粒子表现更优的工具。我们还表明，为了重建 HMF，并非必须使用大量数据来训练算法，这为我们提供了对模拟和理论结果均非常契合的拟合函数。
引用
@article{arxiv.2303.09098,
title = {Analysis of Dark Matter Halo Structure Formation in $N$-body Simulations with Machine Learning},
author = {Jazhiel Chacón and Isidro Gómez-Vargas and Ricardo Menchaca Méndez and José Alberto Vázquez},
journal= {arXiv preprint arXiv:2303.09098},
year = {2023}
}
备注
10 pages, 6 figures