利用图神经网络学习星系—环境关联
天体物理仪器与方法
2023-06-22 v1 宇宙学与河外天体物理
星系天体物理
摘要
星系与其宿主暗物质晕共同演化。利用宇宙学流体动力学模拟标定的星系—晕关联模型，可用于在暗物质晕目录中填入星系。我们提出一种基于消息传递图神经网络 (GNNs) 从暗物质子晕属性推断重子性质的新方法。在基于 Illustris TNG300-1 流体动力学模拟的子晕目录数据训练后，我们的 GNN 能够从宿主及邻近子晕的位置、运动学、质量和最大圆速度推断恒星质量。我们发现 GNN 也能从二维投影中的子晕属性稳健估计恒星质量。虽然其他方法通常孤立地建模星系—晕关联，我们的 GNN 融合了星系环境信息，从而实现了更精确的恒星质量推断。
引用
@article{arxiv.2306.12327,
title = {Learning the galaxy-environment connection with graph neural networks},
author = {John F. Wu and Christian Kragh Jespersen},
journal= {arXiv preprint arXiv:2306.12327},
year = {2023}
}
备注
Accepted to the 2023 ICML ML4astro workshop