学习宇宙之网：基于图的模拟星系分类及其暗物质环境

我们提出了一种新型基于图的机器学习分类器，用于识别星系的暗物质宇宙之网环境。大型星系调查提供了全面统计视图，说明星系性质如何受大尺度结构的影响，但这需要对星系的宇宙之网环境进行稳健的分类。使用以星质质量选取的IllustrisTNG-300星系，我们应用三个阶段、基于仿真的框架将星系链接到总体（主要暗）物质分布。具体步骤如下：第一，我们使用T-Web分类法为底物分布分配模拟星系的位置，确定其位于空洞、墙面、纤维或团簇环境中。第二，我们对星系分布进行Delaunay三角剖分，以十个图度量概括其局部几何结构。第三，我们在每个星系的图度量上训练图注意力网络（GAT），以预测其宇宙之网环境。对于星质质量大于$\mathrm{10^9 M_{\odot}}$的星系，我们的GAT+模型实现了85%的准确率，优于无图方法的多层感知器和图卷积网络。我们的结果表明，图表示的星系位置为推断暗物质环境提供了强大且具有物理意义的方式。我们计划将这种仿真驱动的图模型应用于调查如何受其暗物质环境影响，从Dark Energy Spectroscopic Instrument（DESI）调查中观察到的星系性质。