“in silico”星系的暗物质轮廓：深度学习推断
星系天体物理
2025-10-23 v1 数据分析、统计与概率
摘要
机器学习有潜力改进星系暗物质轮廓的重建，使其优于诸如旋转曲线等传统方法。我们在模拟套件 Illustris-TNG 上证明，可导向等变卷积神经网络（CNN）能够从测光与干涉测量数据推断单个星系内部及周围的暗物质轮廓，且优于标准 CNN。在模拟的 in silico 环境中，我们的架构无需对轮廓进行参数化即可捕获星系内的暗物质分布。我们进行了可解释性分析，以理解训练模型的内部机制以及用于估计暗物质轮廓的最重要数据特征。等变 CNN 以极高的精度和准确度恢复了恒星质量范围 内星系的暗物质轮廓：均方误差从训练分布下的数值降低了约 3 倍，表明网络已从数据特征中学习。尽管这在模拟受控的“in silico”环境中成立，我们指出在将该方可靠应用于真实视场观测中的星系之前，还需进行少量额外步骤。
引用
@article{arxiv.2510.18964,
title = {Dark Matter profiles of "in silico" galaxies: deep learning inference},
author = {Martín de los Rios and Serafina Di Gioia and Fabio Iocco and Roberto Trotta},
journal= {arXiv preprint arXiv:2510.18964},
year = {2025}
}