基于机器学习从二维可观测量估计千禧TNG中大型星团的三轴性
宇宙学与河外天体物理
2026-05-05 v2 星系天体物理
摘要
大型星团的性质，如质量丰度和浓度，对宇宙学非常敏感，使星团统计成为宇宙学研究的强大工具。然而，过于简化的、呈球对称模型用于星团会导致星团性质估计产生偏差。本文提出了一种深度学习方法，用于从二维可观测量估计大型星团（质量≥）的三轴性和方向。我们利用作为ground truth的千禧TNG (MTNG) 仿真套件的旗舰流体力学体积。该模型结合卷积神经网络(CNN)的特征提取能力和图神经网络(GNN)的信息传递能力，构成一种多模态融合网络。我们的模型能够从二维理想化星团多波段图像（软X射线、中X射线、硬X射线和tSZ效应）和二维星团成员可观测量的数学图表示（视线径向速度、二维投影位置和V带亮度）中提取三维几何信息。我们的网络较假设球对称性提高了MTNG中星团几何估计的准确性提高了30%。我们报告了对于三轴星团主要轴长度估计的R²=0.85的回归得分，并在沿我们视线方向呈伸长定向的仿射星团中正确分类71%。
引用
@article{arxiv.2511.20429,
title = {Estimating the triaxiality of massive clusters from 2D observables in MillenniumTNG with machine learning},
author = {Ana Maria Delgado and Michelle Ntampaka and Sownak Bose and Fulvio Ferlito and Boryana Hadzhiyska and Lars Hernquist and John Soltis and John F. Wu and Mikaeel Yunus and John ZuHone},
journal= {arXiv preprint arXiv:2511.20429},
year = {2026}
}