利用X射线热力学剖面和图神经网络推导精确的星系团质量

精确测定星系团质量对于建立星系团宇宙学中可靠的质量-可观测标度关系至关重要。我们采用图神经网络（GNNs），根据从X射线观测推断的星系团内介质（ICM）径向采样剖面来估计星系团质量。GNN通过将每个ICM剖面表示为一个图，自然地处理可变长度和分辨率的输入，从而在各种观测条件下实现准确且灵活的建模。我们使用来自The Three Hundred Project的最先进星系团流体动力学模拟对GNN模型进行了训练和测试。与模拟中真实的星系团质量相比，使用我们方法得出的质量估计没有系统偏差。此外，我们实现了恢复质量与真实质量之间约6%的离散度，比标准流体静力学平衡方法获得的离散度小六倍。我们的算法对数据质量和星系团形态都具有鲁棒性，并且能够将模型不确定性与观测不确定性一并纳入。最后，我们将该技术应用于XMM-Newton观测的星系团样本，并将GNN得出的质量估计与通过$Y_{\rm SZ}$-M$_{500}$标度关系获得的估计进行比较。我们的结果在5$\sigma$水平上提供了强有力的证据，表明SZ导出的质量存在质量依赖性偏差，质量越大的星系团偏差程度越大。此外，我们发现中值偏差为$(1-b)=0.85_{-0.14}^{+0.34}$，尽管由于其质量依赖性而存在显著离散。这项工作通过利用深度学习技术整合X射线、SZ和光学数据集，在建立无偏可观测质量标度关系方面迈出了重要一步，从而增强了星系团在精确宇宙学中的作用。