利用应用于数值模拟的机器学习估计本星系群质量

我们重新审视了银河系与仙女座星系（M31）的合并质量估计，它们主导了本星系群的质量。我们利用来自 Small MultiDark 模拟的 30,190 个晕对集合，假设 $\Lambda$CDM（宇宙学常数与冷暗物质）宇宙学模型，借助机器学习方法（人工神经网络，ANN）研究了束缚质量与表征双星轨道及其局部环境的参数之间的关系。当提供关于速度剪切的信息时，ANN 的结果最为成功，这证明了机器学习在建模物理现象方面的灵活性，并能在新信息可用时轻松将其纳入。当包含剪切信息时，由此得出的本星系群质量估计为 $4.9 \times 10^{12} M_\odot$，由于可观测量中 68% 的不确定性带来的误差为 $\pm0.8 \times 10^{12} M_\odot$，而由于模型质量与模拟质量之间差异产生的内禀散布带来的 68% 置信区间为 $^{+1.3}_{-1.4} \times 10^{12}M_\odot$。我们还考虑了最近报道的 M31 相对于银河系的较大横向速度，并得出了 $3.6\pm0.3\pm1.4 \times 10^{12}M_\odot$ 的替代质量估计。尽管不同方法预测的本星系群最可能质量值相似，但在模拟样本上进行测试时，与 Timing Argument 相比，ANN 的应用将质量对数散布减少了一半以上。