用机器学习增强天体物理标度关系：应用于降低苏尼亚耶夫-泽尔多维奇流量-质量散射

复杂天体物理系统常在与可观测性质（如光度、速度弥散、振荡周期）之间表现出低散射关系。这些标度关系阐明了底层物理，并可为估计质量和距离提供观测工具。机器学习可提供快速且系统的方法，在抽象高维参数空间中搜索新标度关系（或现有关系的简单扩展）。我们使用一种称为符号回归（SR）的机器学习工具，它以解析方程形式对数据集中的模式建模。我们聚焦于苏尼亚耶夫-泽尔多维奇流量-团质量关系（$Y_\mathrm{SZ}-M$），其散射影响从团丰度数据推断宇宙学参数。在IllustrisTNG流体动力学模拟数据上使用SR，我们发现了一种结合$Y_\mathrm{SZ}$与电离气体集中度（$c_\mathrm{gas}$）的团质量新代理：$M \propto Y_\mathrm{conc}^{3/5} \equiv Y_\mathrm{SZ}^{3/5} (1-A\, c_\mathrm{gas})$。与仅使用$Y_\mathrm{SZ}$相比，$Y_\mathrm{conc}$将大质量团（$M\gtrsim 10^{14}\, h^{-1} \, M_\odot$）预测$M$的散射降低了约20-30%。我们表明对$c_\mathrm{gas}$的依赖性关联到团核心比外围呈现更大散射。最后，我们在CAMELS模拟的团上测试$Y_\mathrm{conc}$，表明$Y_\mathrm{conc}$对宇宙学、子网格物理和宇宙方差的变化具有稳健性。我们的结果和方法学可用于来自即将开展的CMB和X射线巡天（如ACT、SO、eROSITA和CMB-S4）的精确多波段团质量估计。