利用深度学习与流体动力学模拟估计星系团质量

我们评估了卷积神经网络（CNN）在 BAHAMAS 流体动力学模拟中预测星系团质量的能力。我们分别使用恒星质量、软 X 射线流量、热 X 射线流量和康普顿 $y$ 参数作为观测示踪剂，训练了四个独立的单通道网络。训练集包含约 4800 张由模拟生成的合成星系团图像，另有约 3200 张图像构成验证集和测试集，各含 1600 张图像。为模拟真实观测，这些图像还包含了位于星系团前后 50 Mpc 范围内、在投影中可见的非关联结构，以及包括噪声和平滑在内的仪器系统效应。除了针对四种观测量分别训练 CNN 外，我们还通过组合这四种观测示踪剂训练了一个“多通道”CNN。所有五个 CNN 的学习曲线均在 1000 个 epoch 内收敛。所得预测在晕质量范围 $10^{13.25}M_{\odot}<M<10^{14.5}M_{\odot}$ 内尤为精确，五个网络产生的平均质量偏差约为 $\approx$1%，离散度 $\lesssim$20%。使用康普顿 $y$ 参数图训练的网络给出了最精确的预测。我们通过两项诊断测试来解释网络行为，以确定哪些特征被用于预测星系团质量。使用恒星质量图像训练的 CNN 检测到了星系（这并不意外），而使用基于气体的示踪剂训练的 CNN 则利用信号的形状来估计星系团质量。