利用机器学习方法估计大体积宇宙学 N 体模拟中星系团的观测性质

本文中，我们研究了一组专门训练的监督机器学习（ML）模型的适用性，这些模型用于从仅含暗物质的团尺度晕的一组特征推断重子成分（恒星与气体）的观测相关性质。训练集构建自 THE THREE HUNDRED 项目，该项目由从 1 Gpc 体积的 MultiDark 仅暗物质模拟（MDPL2）中提取的团尺度区域的一系列放大流体动力学模拟组成。我们使用来自流体动力学模拟的团内气体与恒星的一组重子性质作为目标变量，并将其与来自 MDPL2 N 体模拟的暗物质晕性质相关联。不同的 ML 模型从该数据库训练，随后用于推断 MDPL2 中识别出的全部团尺度晕的相同重子性质。我们还测试了模型预测对暗物质晕质量分辨率的鲁棒性，并得出结论：它们推断的重子性质对其 DM 性质相当不敏感，而这些 DM 性质是以几乎少一个数量级的粒子数分辨的。我们得出结论，本文提出的 ML 模型可作为一种准确且计算高效的工具，用于在大体积 N 体模拟中为团尺度晕赋予观测相关的重子性质，从而使其更利于与不同波段的全天星系团巡天进行比较。我们将最优的 ML 训练模型公开提供。