深度学习洞察暗物质星系卫星质量函数中的非普遍性

暗物质星系卫星的丰度是未来星系测量的关键探针。我们对星系卫星质量函数 (HMF) 的理论理解受限于我们对非普遍性起源及其宇宙参数依赖性的 incomplete 知识。我们提出一种深度学习模型将线性物质功率谱压缩为三个独立因子，这些因子是描述 $z=0$ HMF 从 state-of-the-art AEMULUS 模拟器到次分辨率精度所必需的 $w$CDM$+N_\mathrm{eff}$ 参数空间。若已提供物质功率谱作为输入，关于生长历史的额外信息并不能提高 HMF 预测精度，因为后者的所需方面可从前者推断得出。这三个因子携带关于 HMF 的普遍与非普遍方面的信息，我们通过信息论中的互信息来探讨这些因子。我们发现，在 $M\sim 10^{13} \, \mathrm{M_\odot}\, h^{-1}$ 质量的星系卫星中，非普遍性由 matter-dark 能量相等之后的最近生长历史和 $N_\mathrm{eff}$ 捕获;而对于 $M\sim 10^{15} \, \mathrm{M_\odot}\, h^{-1}$ 的星系卫星，则由 $\Omega_{\rm m}$ 捕获。我们模型学习到的紧凑表示可指导模拟器训练集的设计，以实现更少的模拟即可获得高精度模拟器。