机器辅助半模拟模型(MSSM):利用基于流体动力学模拟训练的机器从其暗物质估计星系重子性质
星系天体物理
2019-10-03 v1
摘要
我们提出一种流水线,利用基于高分辨率流体动力学模拟训练的机器,在仅含暗物质的模拟中估计暗物质(DM)晕内星系的重子性质。作为一个示例,我们使用 (75 h^{-1} Mpc)^3 体积的 IllustrisTNG 流体动力学模拟来训练我们的机器,以纯粹基于星系尺度晕的 DM 含量预测例如恒星质量和恒星形成率。我们使用了极端随机树(ERT)算法以及我们在此引入的多项新颖改进,如机器训练中的精炼误差函数和两阶段学习。在这些改进辅助下,我们的模型在预测重子性质方面相比先前尝试显著提高了精度——换言之,机器更好地模仿了 IllustrisTNG 的星系-晕关联。通过将我们的机器应用于大 (1 h^{-1} Gpc)^3 体积的 MultiDark-Planck 仅暗物质模拟,我们随后验证了该流水线:利用机器在 IllustrisTNG 中发现的关联,从 DM 晕目录快速生成星系目录。我们还将我们的星系目录与流行半解析模型(SAMs)生成的目录进行比较。我们所谓的机器辅助半模拟模型(MSSM)被显示与 SAMs 大体兼容,并可能成为将星系尺度流体动力学计算的重子物理移植到更大体积仅暗物质运行的有前景方法。我们讨论了此类基于机器的方法带来的益处,以及提升这类方法科学潜力的建议。
引用
@article{arxiv.1908.09844,
title = {Machine-assisted Semi-Simulation Model (MSSM): Estimating Galactic Baryonic Properties from their Dark Matter using a Machine Trained on Hydrodynamic Simulations},
author = {Yongseok Jo and Ji-hoon Kim},
journal= {arXiv preprint arXiv:1908.09844},
year = {2019}
}
备注
17 pages, 10 figures, 2 tables, Accepted for publication in MNRAS, Homepage: http://sites.google.com/view/yongseok