利用深度学习推断温暗物质质量

我们呈现一套包含逾1500个宇宙学N体模拟的新套件，涵盖2.5至30 keV的多种温暗物质（WDM）模型。我们利用这些模拟训练卷积神经网络（CNNs），从暗物质场图像推断WDM粒子质量。我们的基准设置可从小至覆盖(25 h$^{-1}$ Mpc)$^2$面积的图中，以95%置信水平准确预测高达7.5 keV的WDM粒子质量。我们改变基准设置的图像分辨率、模拟分辨率、红移与宇宙学，以更好理解模型的预测机制。利用这些变体，我们发现模型最依赖模拟分辨率，最少依赖图像分辨率，不系统依赖红移，且对 varied 宇宙学稳健。我们还发现，区分WDM模型的重要特征存在于100至200 h$^{-1}$ kpc的线尺度之间。我们将基准模型与仅基于功率谱训练的模型比较，发现我们的场级模型在相同数据上预测精度高2倍，且可准确预测质量大2倍的WDM粒子。总体而言，场级数据可用于准确区分WDM模型，并包含比功率谱所捕获更多的信息。该技术可推广至更复杂的暗物质模型，并为在宇宙学环境中探索替代暗物质模型开辟新机遇。