基于符号回归约束暗物质星系轮廓
宇宙学与河外天体物理
2026-04-10 v1 星系天体物理
天体物理仪器与方法
机器学习
摘要
暗物质星系通常以具有固定形式的径向密度轮廓来描述，这些形式来源于仿真（如NFW），但仿真预测依赖于不确定的暗物质物理和星系间质量模型。本文提出了一种方法，直接从观测数据约束星系密度轮廓，采用Exhaustive Symbolic Regression (ESR)技术，该技术搜索解析表达式的空间，以找到在给定数据集上在准确性和简洁性之间取得最佳平衡的函数。我们对NFW轮廓的模拟弱引力超表面密度(ESD)数据进行了测试。受真实数据启发，我们为每个ESD数据点分配恒定的相对不确定性，并探索数据精度和样本规模如何影响模型选择。对于约5%的相对误差，ESR即能从仅20个星系的样本中恢复NFW轮廓。在当前调查代表的更高不确定性下，较简单的函数被优先选择尽管NFW仍具竞争力。这一偏好源于弱引力误差在星系外缘最小，导致拟合主要由外部轮廓主导。因此，ESR为用于检验质量模型以及确定星系密度轮廓中哪些特征确实受数据约束提供了稳健、独立于仿真的框架。
引用
@article{arxiv.2511.23073,
title = {Constraining dark matter halo profiles with symbolic regression},
author = {Alicia Martín and Tariq Yasin and Deaglan J. Bartlett and Harry Desmond and Pedro G. Ferreira},
journal= {arXiv preprint arXiv:2511.23073},
year = {2026}
}
备注
18 pages, 5 figures. Accepted for publication in Philosophical Transactions of the Royal Society A