使用卷积神经网络和 Uchuu-UniverseMachine 目录推断星系簇的 Halo 质量和比例半径

我们研究了机器学习从星系簇的可观测量推断 virial 质量 ($M_{\rm vir}$) 和比例半径 ($r_{\rm s}$) 的能力。使用 $z=0.093$ 时的 Uchuu--UniverseMachine 星系目录，我们生成包括干扰子的模拟簇观测量，并将每个簇编码为表示成员星系投影位置和视线速度联合概率分布的二维图像。我们训练两种架构：遵循先前方法的基线卷积神经网络（CNNb），以及追加 richness 作为额外标量输入的扩展模型（CNNr）。我们进一步比较了在全部星系样本和动态放松子样本上的网络性能。对于测试范围内的 $10^{13.7}\leq M_{\rm vir}\leq10^{15.3}$ Msun/h 和 $10^{1.7}\leq r_{\rm s}\leq10^{2.7}$ kpc/h，所有配置几乎都产生近似无偏的绝对中位数残差（在 0.01 dex 范围内）。对于 Halo 质量，增加 richness 可缩小残差分布，使 all 样本的标准偏差从 0.133 降至 0.122 dex，放松样本从 0.124 降至 0.111 dex。对于比例半径，限制训练使用放松簇的性能优于增加 richness。CNNb 的标准偏差从 0.180 降至 0.154 dex，CNNr 从 0.175 降至 0.148 dex，而包含 richness 的效果仅略微提升 0.005 dex。这些结果表明，机器学习是推断簇质量和内部质量分布的强大工具，为 cosmology 推断和理解星系形成过程提供了新的视角。