挖掘暗物质子结构：用机器学习从强引力透镜推断子晕族属性
宇宙学与河外天体物理
2020-02-25 v2 高能天体物理现象
天体物理仪器与方法
高能物理 - 唯象学
机器学习
摘要
暗物质子结构在强引力透镜系统中延展弧上的微妙而独特的印记，包含了关于小尺度上暗物质属性与分布的丰富信息，并进而关于 underlying 的粒子物理。然而，提取这一效应提出了重大挑战，因为针对族级参数的现实模拟的似然函数是难以处理的。我们将近期发展的基于模拟的推断技术应用于星系-星系强透镜中的子结构推断问题。通过利用从模拟器中提取的额外信息，神经网络被高效地训练以估计与表征子结构的族级参数相关的似然比。通过对模拟数据的概念验证应用，我们表明这些方法能提供高效且原则性的方式同时分析强透镜集合，并可用于从近未来巡天可交付的大样本透镜图像中挖掘暗物质子结构的信号。
引用
@article{arxiv.1909.02005,
title = {Mining for Dark Matter Substructure: Inferring subhalo population properties from strong lenses with machine learning},
author = {Johann Brehmer and Siddharth Mishra-Sharma and Joeri Hermans and Gilles Louppe and Kyle Cranmer},
journal= {arXiv preprint arXiv:1909.02005},
year = {2020}
}
备注
23 pages, 6 figures, code available at https://github.com/smsharma/mining-for-substructure-lens; v2, minor changes to text, version accepted in ApJ