用机器学习建模重子物质对子晕群体的影响
星系天体物理
2019-03-04 v2 宇宙学与河外天体物理
摘要
我们使用在 Feedback in Realistic Environments (FIRE) 项目的 Latte 套件中两个银河系 (MW) 质量宿主晕流体动力学模拟上训练的随机森林分类器，识别在仅含暗物质的 (DMO) 放大模拟中可能因重子效应而瓦解的子晕。我们使用每个已瓦解和存活子晕的五个性质训练分类器：吸积后首次近心经过的近心距离和标度因子，以及吸积时的标度因子、维里质量和最大圆速度。我们的五性质分类器以 的袋外分类分数识别 FIRE 模拟中的已瓦解子晕。我们预测 FIRE 宿主晕 DMO 模拟中的存活子晕群体，发现与流体动力学结果高度一致；特别是，我们的分类器优于包含各流体动力学模拟中中心星系盘引力势的 DMO 放大模拟，表明它同时捕捉了中心盘的动力学效应和额外的重子物理。我们还预测了一套 MW 质量宿主晕 DMO 放大模拟的存活子晕群体，发现重子物质对每个系统的影响一致，且预测的子晕瓦解量大于子晕群体间的宿主间弥散。尽管我们训练集的小规模和特定的重子物理方案限制了结果的普适性，我们的工作表明，在流体动力学放大模拟上训练的机器学习分类算法可以有效预测真实的子晕群体。
引用
@article{arxiv.1712.04467,
title = {Modeling the Impact of Baryons on Subhalo Populations with Machine Learning},
author = {Ethan O. Nadler and Yao-Yuan Mao and Risa H. Wechsler and Shea Garrison-Kimmel and Andrew Wetzel},
journal= {arXiv preprint arXiv:1712.04467},
year = {2019}
}
备注
20 pages, 14 figures. Updated to published version. Code available at https://github.com/ollienad/subhalo_randomforest