利用机器学习从可见物质推断星系暗物质晕性质
星系天体物理
2022-09-14 v1
摘要
下一代巡天将以空前精度提供数百万至数十亿星系的光度与光谱数据。这提供了改进我们对星系演化及暗物质（DM）未解性质理解的独特机遇。在星系尺度上，DM 的密度分布受天体物理反馈过程强烈影响，而经典质量模型推导技术难以完全计入这些过程。本工作中，我们利用 TNG100 模拟的公开星表，探索有监督学习算法从类观测发光参数预测星系 DM 含量的能力。特别地，我们使用光度、结构与运动学参数来预测总 DM 质量、DM 半质量半径、一个与两个恒星半质量半径内的 DM 质量。我们采用决定系数 作为评估这些预测精度的参考度量。我们发现仅光度特征即能以尚可精度预测总 DM 质量，而结构特征与光度特征结合更能有效确定恒星半质量半径内及两倍恒星半质量半径内的 DM。然而，将所有观测量（光度、结构与运动学）联合使用极大地提升了所有 DM 量的总体精度。这一初步测试表明机器学习工具是推导真实星系中 DM 预测的有前景途径。下一步将通过紧密选取准确重现典型观测发光标度关系的样本，来提升训练集的观测真实性。训练好的流水线将适用于从 Rubin/LSST、Euclid、CSST、4MOST、DESI 等下一代巡天收集的真实星系数据，以推导其中心 DM 比例等性质。
引用
@article{arxiv.2111.01185,
title = {Inferring galaxy dark halo properties from visible matter with Machine Learning},
author = {Rodrigo von Marttens and Luciano Casarini and Nicola R. Napolitano and Sirui Wu and Valeria Amaro and Rui Li and Crescenzo Tortora and Askery Canabarro and Yang Wang},
journal= {arXiv preprint arXiv:2111.01185},
year = {2022}
}
备注
19 pages, 11 figures, 3 tables. Submitted to MNRAS. Comments are welcome