基于机器学习约束星系-暗核关系

我们利用机器学习（ML）方法建模小尺度星系聚类，以约束暗核占用分布（HOD）参数。我们的分析表明，尽管许多 ML 算法报告出良好的统计拟合，但它们往往产生的似然等值线在均值和方差上都显著偏离真实模型参数。这一发现凸显了在星系聚类应用中，严谨的数据处理和算法选择的重要性，因为即便是看似稳健的方法在正确应用下也可能导致偏差结果。ML 工具为探索 HOD 参数空间提供了前景的途径，其计算成本显著低于传统的暴力方法，如果其鲁棒性得到保证。使用基于人工神经网络（ANN）的管道，我们成功复现了最近文献中的一些标准结果。正确限制 HOD 参数空间、转换训练数据以及仔细选择 ML 算法，都是实现无偏且稳健预测的关键。经过测试的各方法中，人工神经网络（ANN）在 HOD 先验空间被恰当地限制后，预测聚类统计量方面优于随机森林（RF）和岭回归。我们采用亮红星系（Luminous Red Galaxies）来自 Dark Energy Spectroscopic Instrument（DESI）模拟数据的投影二点自相关函数（$w_\mathrm{p}(r_\mathrm{p})$）、关联函数的角动量多极式（$\xi_\ell(r)$）以及空隙概率函数（VPF）来演示这些发现。我们的结果表明，虽然将 $w_\mathrm{p}(r_\mathrm{p})$ 和 VPF 组合可改进参数约束，但将 $\xi_0$、$\xi_2$、$\xi_4$ 多极式添加到 $w_\mathrm{p}(r_\mathrm{p})$ 并不显著改进约束。