利用图神经网络估计模拟星系团中的暗物质晕质量

星系在暗物质晕中生长与演化。由于暗物质不可见，星系的晕质量（$\rm{M}_{\rm{halo}}$）必须通过间接方式推断。我们提出了一种图神经网络（GNN）模型，利用 IllustrisTNG 模拟套件的数据，从模拟星系团中的恒星质量（$\rm{M}_{*}$）预测 $\rm{M}_{\rm{halo}}$。与随机森林等传统机器学习模型不同，我们的 GNN 通过利用星系邻居之间的空间与运动学关系，捕获了星系团信息丰富的子结构。在 TNG-Cluster 数据集上训练并在 TNG300 模拟上独立测试的 GNN 模型，与我们测试的其他基线模型相比取得了更优的预测性能。未来的工作将把该方法扩展至不同的模拟和真实观测数据集，以进一步验证 GNN 模型的泛化能力。