基于机器学习的黑洞-宿主星系关联性研究：Illustris、TNG与EAGLE的比较分析

超大质量黑洞（SMBHs）与其宿主星系的多项属性之间存在关联性，但我们尚未完全理解这些关联性。这些关联性强度（紧密程度）也广受争议。本文我们探讨了三大前沿宇宙模拟（Illustris、TNG和EAGLE）中的SMBH-宿主关系。通过采用多种机器学习回归器，我们衡量了黑洞质量（$M_{\rm BH}$）与星系属性（包括星系速度散度（$\sigma$）、质量（$M_{\star}$）、暗物质星系质量（$M_{\rm Halo}$）以及Sersic指数）之间的比例关系。我们发现，机器学习回归器在许多比例关系中提供的预测能力优于线性回归，多层感知器（MLP）回归器的性能最为突出。由于次网格模型的不同，SMBH-宿主关系在不同模拟中表现出不同的强度。类似于观测结果，$M_{\rm BH}$-$\sigma$关系在所有模拟中都是一种强关联，但在TNG中，$M_{\rm BH}-M_{\star}$关系甚至比$M_{\rm BH}-\sigma$更紧密。EAGLE产生的SMBH-宿主关联性最弱。低质量SMBHs倾向于与其宿主星系关联性较差，但包括它们仍有助于机器学习更好地把握Illustris和TNG中的关联性。结合与$M_{\rm BH}$强关联但彼此之间关联性较差的星系属性，可提高MLP的性能。当训练中包含所有星系属性时，$M_{\rm BH}$预测最为准确，表明SMBH-宿主关联性在这些模拟中本质上是多维的。