利用人工神经网络对旋转曲线进行数据驱动建模

星系旋转曲线对于理解星系中的质量分布至关重要。尽管精确观测取得了进展,但由光度推断的质量与观测到的旋转速度之间存在差异,这通常被归因于暗物质。虽然传统参数模型提供了有价值的见解,但它们在处理复杂星系特征(如显著核球和非圆运动)时存在困难。在本研究中,我们应用人工神经网络,利用高质量观测数据,为每个星系量身定制稳健的、数据驱动的旋涡星系旋转曲线模型。我们的方法表明,神经网络能够有效捕捉旋转曲线的复杂结构,而无需依赖预定义的天体物理假设。通过在恒星分量的两种不同假设下将基于数据的模型与 Navarro-Frenk-White 模型进行比较,我们根据最拟合其旋转曲线的模型对星系进行分类,从而提供了对理论方法和数据驱动方法的局限性与优势的见解。这项工作突显了机器学习技术在识别标准理论模型无法很好捕捉其动力学的星系方面的潜力,表明需要更精细的物理描述。