基于暗物质晕形成深度学习模型的晕装配偏差

我们构建了一个深度学习框架，将暗物质晕的局部形成过程与晕偏差联系起来。我们训练了一个卷积神经网络（CNN），从初始条件预测暗物质晕的最终质量和浓度。随后将该 CNN 用作替代模型，推导晕的质量和浓度对初始条件中长波扰动的响应，并据此依“响应偏差”定义得到晕偏差参数。尽管训练过程中未提供任何关于晕偏差的显式知识，CNN 仍正确预测了暗物质晕的局部性质如何对大尺度环境的变化作出响应。我们表明，CNN 恢复了已知的线性及二阶密度偏差参数 $b_1$ 与 $b_2$，以及局域原初非高斯性线性偏差参数 $b_\phi$ 的变化趋势。CNN 还恢复了预期的、依赖于晕浓度的次级装配偏差：在固定质量下，晕浓度对 $b_1$ 仅有轻微影响，但对 $b_\phi$ 有强烈影响。我们的框架为发现决定装配偏差的晕拉格朗日斑块的物理方面打开了新窗口，这反过来可为指导晕形成与偏差的物理模型提供依据。