用机器学习推断类银河系系统的暗物质晕质量
星系天体物理
2024-04-09 v2
摘要
尽管银河系离我们很近,我们对其暗物质晕的认识仍相当有限,其晕质量仍存在相当大的不确定性。许多过去的技术受限于诸如星系处于动力学平衡、邻近星系为银河系的真实卫星星系等假设,和/或需要在模拟中寻找大量银河系类似体。在此,我们提出一种基于神经网络的新技术,可在不假设晕动力学平衡或邻近星系均为卫星星系的情况下获得高精度(<0.14 dex 质量不确定性),并且可利用来自各种模拟晕(即使与银河系不相似)的信息来提升性能。该方法仅使用可观测信息,包括卫星轨道、到附近更大晕的距离,以及最大卫星星系的最大圆速度。本文中,我们在模拟暗物质晕上演示了这一概念验证方法;在本系列后续论文中,我们将应用神经网络估计银河系和 M31 暗物质晕的质量,并将训练这些网络的变体以估计其他晕属性,包括集中度、形成历史和自旋轴。
引用
@article{arxiv.2309.06476,
title = {Machine Learning the Dark Matter Halo Mass of Milky Way-Like Systems},
author = {Elaheh Hayati and Peter Behroozi and Ekta Patel},
journal= {arXiv preprint arXiv:2309.06476},
year = {2024}
}