多历元机器学习 2：在模拟中识别星系属性的物理驱动因素

使用一种新颖的机器学习方法，我们研究了不同模拟中以及单个模拟内不同环境下星系属性的构建过程。本工作的目的是展示该方法在识别模拟中星系属性物理驱动因素方面的能力。我们通过检查机器学习模型的特征重要性值，比较了恒星质量在不同时间点对其他星系与晕属性的依赖关系。通过在 IllustrisTNG 上训练模型，我们发现恒星在宇宙高密度区域的产生早于低密度区域。我们还将该技术应用于 Illustris、EAGLE 和 CAMELS 模拟。我们发现 EAGLE 与 IllustrisTNG 中恒星质量的构建方式相似，但与原始 Illustris 显著不同，这表明子网格模型物理比流体动力学方法的选择更重要。这些差异由超新星反馈的效率所驱动。对 CAMELS 模拟应用主成分分析，使我们能够识别出一个与晕引力势重要性相关的成分，以及另一个代表星系形成时间的成分。我们发现星系风速度比单位恒星形成的能量总和更为关键的子网格参数。最后我们发现 Simba 黑洞反馈模型比 IllustrisTNG 黑洞反馈模型对星系形成的影响更大。