评估纯暗物质模拟中神经网络预测的星系形成历史

我们利用暗物质仅运行的IllustriTNG模拟以及尺度更大的纯暗物质模拟Uchuu，研究了基于merger树和环境历史计算的星系属性。所用方法包括产生星系演化自洽预测的半循环神经网络，以及基于相似预测的傅里叶变换进行的随机改进。通过对比不同分辨率和不同假设（如去除星系反馈或采用不同光柱属性度量标准），我们发现该机器学习模型能够恢复从预测的星系形成和恒星金属化学历史中得出的准确统计量，以及相应的光谱和光度数据。然而，对于低质量和增长缓慢的星系，模型的应用存在显著不准确。由于缺乏星系反馈， halo质量吸收率被夸大；而由于低分辨率模拟中缺乏低质量祖先，halo的形成也会被严重限制。此外，较大质量halo在结构和环境上的差异导致红色、被淬灭星系的过度数量。这些结果表明，正在 Towards 一个能够基于星系-halo联系的物理解释构建高保真模拟的机器学习模型取得进展，但也揭示了需考虑halo属性差异以及模拟分辨率问题的必要性。