HaloFlow II：基于域适应性的鲁妥克星系 Halo 质量推断
星系天体物理
2026-03-16 v1 宇宙学与河外天体物理
摘要
精确的 Halo 质量()测量对于宇宙学和星系形成至关重要。HaloFlow引入了一种基于模拟的推断(SBI)框架，使用最先进的模拟星系图像来精确推断。然而，对于HaloFlow应用于观测，必须具有即使在底层星系形成物理与用于训练的模拟不同的情况下也能泛化的能力。缺乏这种泛化性，HaloFlow在应用于具有不同物理的模拟时会产生偏差和过度自信的后验分布。我们引入HaloFlow，这是HaloFlow的一个扩展，集成了域适应性(DA)与SBI，以缓解跨模拟偏移。使用从IllustrisTNG、EAGLE和SIMBA模拟正向建模的合成星系图像，我们测试了两种DA方法：域对抗性神经网络(DANN)和最大均值不等式(MMD)。纳入DA显著减少偏差并提高校准效果，MMD实现了最稳定的性能，将归一化残差指标降低平均31%，在不同模拟中训练和测试时可达最高57%。总体而言，HaloFlow比标准方法使用恒星到 Halo 质量关系更具鲁棒性，偏差更小且精度相似。HaloFlow使能够跨域泛化的模拟训练推断模型成为可能，为从真实HSC-SSP观测中进行稳健的推断奠定了基础。
引用
@article{arxiv.2603.12380,
title = {HaloFlow II: Robust Galaxy Halo Mass Inference with Domain Adaptation},
author = {Nikhil Garuda and ChangHoon Hahn and Connor Bottrell and Khee-Gan Lee},
journal= {arXiv preprint arXiv:2603.12380},
year = {2026}
}
备注
Submitted to ApJ