利用半循环神经网络建模星系—暗晕关联

我们提出了一种人工神经网络设计，利用暗物质晕及其局部环境的过去与当前属性来预测中心星系和卫星星系的时间分辨恒星形成史与恒星金属丰度史。使用IllustrisTNG模拟的数据，我们训练了一个基于TensorFlow的神经网络，该网络有两个输入：一个包含暗物质晕静态属性（如晕质量与起始时间）的标准层；以及一个包含诸如过密度和晕质量吸积率等变量、在 $0 \leq z \lesssim 20$ 的多个时间步上求值的循环层。该模型成功再现了星系—晕关联的关键特征，如恒星—晕质量关系、downsizing（天体形成的时间反演趋势）以及颜色双峰性，对中心星系和卫星星系均如此。我们确定质量吸积史对决定恒星形成史的几何形态以及与晕质量相关的趋势（如downsizing）至关重要，而环境变量是化学增丰的重要指示。我们利用这些输出计算光学光谱能量分布，发现其与IllustrisTNG中的等效结果吻合良好，恢复了诸如颜色双峰性和质量—星等图等观测统计。