用机器学习建模星系-晕连接
宇宙学与河外天体物理
2022-09-22 v2
摘要
为从非线性尺度上的星系聚类中提取信息，我们需要准确且灵活地建模星系与晕之间的连接。标准晕占据分布（HOD）模型假设晕中的星系占据仅是其质量的函数，然而实际上，占据可依赖于各种其他参数，包括晕浓度、组装历史、环境、自旋等。使用 IllustrisTNG 流体动力学模拟作为我们的目标，我们展示机器学习工具可用于捕捉这种高维依赖并提供更精确的星系占据模型。具体而言，我们使用随机森林回归器识别哪些次级晕参数能最佳建模星系-晕连接，并使用符号回归以捕获对这些参数（即晕位置处的局部环境 overdensity 和 shear）依赖的简单方程来增强标准 HOD 模型。这不仅增进了对星系形成关系的理解，更重要的是显著改善了建模星系的聚类统计。我们的方法表明机器学习工具可帮助我们更好地理解和建模星系-晕连接，因而对来自即将到来的星系巡天的星系形成和宇宙学研究有用。
引用
@article{arxiv.2111.02422,
title = {Modeling the galaxy-halo connection with machine learning},
author = {Ana Maria Delgado and Digvijay Wadekar and Boryana Hadzhiyska and Sownak Bose and Lars Hernquist and Shirley Ho},
journal= {arXiv preprint arXiv:2111.02422},
year = {2022}
}