深度学习估算X射线星系团质量的基准测试与解释

我们评估了深度学习(DL)模型利用下一代巡天的X射线测光数据重建星系团质量的有效性。我们使用一套真实的模拟eROSITA X射线观测星表来确立这些约束，该星表采用流体动力学模拟来建模真实的团簇形态、背景辐射、望远镜响应和AGN源。以热辐射X射线光子图作为输入，DL模型达到的预测质量散度为 $\sigma_{\ln M_\mathrm{500c}} = 17.8\%$，相比富度 $N_\mathrm{gal}$、一维速度弥散 $\sigma_\mathrm{v,1D}$ 和光子计数 $N_\mathrm{phot}$ 等标量观测量改善达两倍，相比理想化、体积积分的热辐射X射线光度 $L_X$ 测量也改善了 $32\%$。我们进一步展示，将该模型扩展为处理分为低、中、高能带的多元道X射线光子图，可将质量散度进一步降至 $16.2\%$。我们还测试了结合动力学与X射线团簇探针的多模态DL模型，在质量散度 $15.9\%$ 下取得了微小增益。最后，我们对DL模型进行了定量可解释性研究，发现它们大幅降低了团簇中心像素及AGN源位置像素的重要性权重，验证了先前关于DL建模改进的论断，并提示在X射线质量推断中使用DL具有实用与理论益处。