星系 - 晕关联如何依赖于大尺度环境

我们利用 Illustris TNG300 流体动力学模拟数据，研究了 $z=0$ 处星系、暗物质晕及其大尺度环境之间的关联。我们根据子晕属性预测恒星质量，以测试两类机器学习 (ML) 模型：具有简单星系环境特征的可解释增强机 (EBMs) 和 $\mathbb{E}(3)$-不变图神经网络 (GNNs)。表现最佳的 EBM 模型利用了 $3$ Mpc 尺度上的球对称平均过密度特征。通过 SHapley 加性解释 (SHAP) 进行的解释也表明，在 TNG300 星系 - 晕关联的背景下，$\sim 3$ Mpc 尺度上的简单球对称过密度比使用 DisPerSE 算法测量的宇宙网距离特征更为重要。同时，具有由固定连接长度 $L$ 定义的连通性的 GNN 显著优于 EBM 模型。随着连接长度尺度的增加，GNN 学习到了直至我们所探测的最大尺度 ($L=10$ Mpc) 的重要环境贡献。我们得出结论，在使用球对称过密度参数化描述 TNG 星系 - 晕关联时，$3$ Mpc 距离尺度最为关键，但简单环境参数或宇宙网特征未能捕捉到的更大尺度信息可以进一步增强这些模型。我们的研究突出了使用可解释 ML 算法来解释天体物理现象模型的优势，以及利用 GNN 在施加物理对称性约束的同时灵活地从数据中学习复杂关系的强大能力。