星系相位空間與場級宇宙學：半分析模型的強大之處

半分析模型是一种广泛用于在宇宙学框架内模拟星系属性的方法，依赖于简化但具有物理动力学的 prescription。它们也已被证明是生成准确星系目录的有效替代方案，提供了一种比完全流体力学模拟更快、计算成本更低的选项。在本文中，我们展示，仅使用星系3D位置和径向速度，就可以训练一种图神经网络 coupled to 矩�神经网络，以获得一种能够准确估计物质密度参数$\Omega_{\rm m}$，精度约为10%的鲁棒机器学习模型。该网络在$(25 h^{-1}$Mpc)$^3$体积的星系目录上进行训练，并且能够成功外推到其他半分析模型(GAEA、SC-SAM和Shark)，更令人惊讶的是，能够外推到流体力学模拟(Astrid、SIMBA、IllustrisTNG和SWIFT-EAGLE)。我们的结果表明，该网络对各种天体物理和亚网格物理、宇宙学和天体物理参数，以及来自不同模拟的不同halo-profile处理方式具有鲁棒性。这表明半分析模型中编码的物理关系在它们的具体物理 prescription 之间基本独立，强化了它们作为用于 cosmological parameter推断生成真实模拟目录的工具的潜力。