从机器学习洞察暗晕质量轮廓的起源

暗物质晕的质量分布是初始密度扰动通过质量吸积与并合进行层级增长的结果。我们使用可解释的机器学习框架，为球对称平均的暗物质晕质量轮廓的起源提供物理洞察。我们训练了一个梯度提升树算法来预测团簇尺度暗晕的最终质量轮廓，并度量提供给算法的不同输入的重要性。我们在初始条件（ICs）中发现了两个影响最终质量轮廓的主要尺度：约为暗晕拉格朗日斑块尺度$R_L$处的密度（$R\sim 0.7\, R_L$）以及大尺度环境中的密度（$R\sim 1.7~R_L$）。该模型还识别了暗晕形成历史中影响最终轮廓的三个主要时间尺度：(i) 晕内维里化、坍缩物质的形成时间，(ii) 动力学时间，捕捉晕在其第一轨道上的动力学未弛豫、下落组分，(iii) 第三个、最近的时间尺度，捕捉近期大质量并合事件对外轮廓的影响。虽然内轮廓保留了对初始条件的记忆，但仅此信息不足以准确预测外轮廓。当我们加入关于暗晕质量吸积历史的信息时，我们发现所有半径处的预测轮廓均有显著改善。我们的机器学习框架为初始条件和质量吸积历史在决定团簇尺度暗晕最终质量轮廓中的作用提供了新的洞察。