基于暗物质-仅模拟的深度学习生成银河团簇观测数据

流体动力学模拟在现代宇宙学研究中发挥着根本性作用，作为理论预测与观测数据之间的关键桥梁。然而，由于其计算密集性，这些模拟目前受限于相对较小的体积。因此，本研究探讨了利用基于 U-Net 架构的深度学习方法从暗物质-仅模拟中生成银河团簇可观测图的可行性。我们专注于从总质量密度图重建 Compton-y 参数图 (SZ 图) 和 bolometric X 射线面积亮度图 (X 射线图)。我们利用 \textsc{The Three Hundred} 模拟的数据，选择质量范围为 $10^{13.5} h^{-1}M_{\odot}\leq M_{200} \leq 10^{15.5} h^{-1}M_{\odot}$ 的银河团簇。尽管机器学习模型独立于气体物质的假设，但其主要局限之一是依赖于流体动力学模拟的底层物理。为了评估生成可观测图的可靠性，我们采用各种指标并比较可观测-质量比例关系。对于质量大于 $2 \times 10^{14} h^{-1} M_{\odot}$ 的团簇，预测结果与基准数据集的吻合度非常好，比例定律参数的误差平均为 (0.5 $\pm$ 0.1)\%。