从观测到模拟：面向星际介质运动学的神经网络方法

我们系统比较 {\it XMM-Newton} 速度图（针对 Virgo、Centaurus、Ophiuchus 和 A3266 星系团）与来自 Illustris TNG-300 模拟的合成速度图。我们的目标是通过数据驱动的方法约束星际介质（ICM）的物理条件和动力学状态。我们采用设计用于识别每个观测系统最类似的模拟星系的 Siamese 卷积神经网络（CNN），基于其线视速度图的形态。该模型学习观察与模拟之间的高维相似性度量，使我们能够捕捉超越传统统计检验的细微运动学和结构模式。我们发现，最佳匹配的模拟星系再现了观察到的大尺度速度梯度和局部运动亚结构，表明这些星系团的 ICM 运动源于气体涡流、AGN 反馈和小型合并活动的组合。我们的结果表明，深度学习提供了一种强大且客观的方法，将 X 射线观测与宇宙模拟相连接，为了解星系团的动力学演化以及驱动热 ICM 中湍流和宏观流动的机制提供了新的洞见。