基于同步辐射发射估算星系团磁场强度的机器学习方法

磁场在星系团内部介质的各种天体物理过程中起关键作用，包括热传导、宇宙射线加速和同步辐射产生。然而，由于法拉第旋转测量源的有限可用性，测量磁场强度通常具有挑战性。为应对这一挑战，我们提出了一种新方法，结合卷积神经网络（CNN）和同步辐射发射观测来估算星系团中的磁场强度。我们的 CNN 模型在磁流体动力学（MHD）湍流模拟或 MHD 星系团模拟上训练，后者包含团团合并和晃动运动等复杂动力学。结果表明，CNN 可以有效估算磁场强度，在 $\beta = 100$、200 和 500 条件下，均方误差分别约为 \SI{0.135}{\micro G}$^2$、\SI{0.044}{\micro G}$^2$ 和 \SI{0.02}{\micro G}$^2$。此外，我们证实在充分训练下，我们的 CNN 模型对噪声和视角变化具有鲁棒性，确保在广泛观测条件下的可靠性能。我们将 CNN 方法与假设宇宙射线电子能量与磁场能量均分的传统磁场强度估算方法进行比较。不同于均分方法，这种 CNN 方法依赖于同步辐射图像的形态学特征，为补充传统估算和增强我们对宇宙射线加速机制的理解提供了新视角。