利用机器学习探索气体冷却与加热函数对入射辐射场的依赖

气体冷却与加热函数在星系形成中起着关键作用。但在存在入射辐射场时精确计算这些函数计算代价高昂。使用预计算值的插值表可大幅加速这些计算，但代价是做出显著且有时甚至不合理的近似。在此，我们探索机器学习在广义辐射场下近似冷却与加热函数的能力。具体而言，我们使用机器学习算法 XGBoost，在固定金属丰度下，以不同光致电离率组合作为特征，预测由光致电离代码 Cloudy 计算的冷却与加热函数。我们在金属丰度上执行约束二次拟合，以便与任意金属丰度下的传统插值方法进行公平比较。我们通过主成分分析（PCA）和计算 XGBoost 模型的 SHapley Additive exPlanation（SHAP）值，考量各种光致电离率的相对重要性。我们利用特征重要性信息选择不同速率子集用于模型训练。无论特征如何选择，我们的 XGBoost 模型在每个固定金属丰度下均优于传统插值方法。在任意金属丰度下，我们得以降低相对于插值表的最大冷却与加热函数误差的出现频率。我们发现提高精度的主要瓶颈在于准确捕捉金属丰度依赖。本研究展示了 XGBoost 等机器学习方法捕捉冷却与加热函数非线性行为的潜力。