学习星系本征错位相关性

星系本征错位 (IA) 被视为弱引力分析中的一种污染因子，其代表了由于引力潮汐相互作用和星系形成过程导致的星系形状相关性。因此，理解 IA 对从弱引力测绘中获得准确的宇宙学推断至关重要；然而，我们对 IA 的理解和缓解的一个限制是昂贵的基于仿真的建模。本文提出了一种深度学习方法，用于从基于halo occupation distribution 的模拟星系目录中模拟星系位置-位置 ($\xi$)、位置-方向 ($\omega$) 和方向-方向 ($\eta$) 相关函数测量及其不确定性。我们发现该模型在所有三个相关函数上都具有强烈的皮尔逊相关值，并通过均值-方差估计训练程序预测阿尔泔巨突变不确定性。$\xi(r)$预测通常准确到 $\leq 10\%$。我们的模型还成功捕捉了更嘈杂的相关信号 $\omega(r)$ 和 $\eta(r)$，尽管平均准确性较低。我们发现模型性能受数据随机性的制约，将受益于多个数据实现平均后的相关性。我们的代码将在期刊出版后公开源码。