利用图神经网络推断暗晕质量
宇宙学与河外天体物理
2023-02-10 v2 星系天体物理
天体物理仪器与方法
机器学习
摘要
理解暗晕-星系关联对于增进我们对暗物质本质与属性的认识至关重要。本工作中，我们构建了一个模型，在给定暗晕所宿主星系的位置、速度、恒星质量与半径的情况下推断该暗晕的质量。为从星系属性及其相空间的相关性中捕获信息，我们使用图神经网络（GNNs），其设计用于处理不规则与稀疏数据。我们在来自宇宙学与天体物理机器学习模拟（CAMELS）项目的超过2000个最先进模拟的星系上训练模型。我们的模型考虑了宇宙学与天体物理不确定性，能够以0.2 dex的精度约束暗晕质量。此外，在一个模拟套件上训练的GNN在测试于采用不同子网格物理模型的不同代码运行的模拟时，能够保持部分精度，显示了我们方法的鲁棒性。该GNN的PyTorch Geometric实现已在Github公开：https://github.com/PabloVD/HaloGraphNet
引用
@article{arxiv.2111.08683,
title = {Inferring halo masses with Graph Neural Networks},
author = {Pablo Villanueva-Domingo and Francisco Villaescusa-Navarro and Daniel Anglés-Alcázar and Shy Genel and Federico Marinacci and David N. Spergel and Lars Hernquist and Mark Vogelsberger and Romeel Dave and Desika Narayanan},
journal= {arXiv preprint arXiv:2111.08683},
year = {2023}
}
备注
20 pages, 8 figures, code publicly available at https://github.com/PabloVD/HaloGraphNet