不遗漏任何分支：从并合树预测星系的重子性质

星系在我们理解宇宙结构形成如何进行的努力中起着关键作用。对于任何宇宙学或星系形成的精密研究，都强烈需求跨越宇宙学显著体积的海量真实模拟星系目录。对于这样一项艰巨任务，能够直接在纯暗物质模拟的暗物质晕与星系之间产生映射的方法备受青睐，因为从完整的流体动力学模拟或半解析模型生成模拟目录过于昂贵。在此我们提出一个基于图神经网络(Graph Neural Network)的模型，能够仅从沿星系完整组装历史的晕中提取的暗物质性质，准确预测星系的关键性质，如恒星质量、$g-r$ 色、恒星形成率、气体质量、恒星金属丰度和气体金属丰度。基于 IllustrisTNG 项目的 TNG300 模拟的测试表明，我们的模型能在宽红移范围($z = 0-5$)内，对所有恒星质量大于 $10^9\,M_\odot$ 的星系及其前身星系，以高精度恢复星系的重子性质，相较最先进的方法有显著改进。我们进一步表明，我们的方法在理解 IllustrisTNG 星系形成模型的含义方面取得了实质性进展。