非流体动力学方法：利用神经网络在纯暗物质模拟中估计星系性质

利用 TNG300-2 的数据，我们训练了一个神经网络（NN）以在纯暗物质模拟中重建中心星系的恒星质量（$M^*$）和恒星形成率（SFR）。我们考虑了承载该星系的晕和子晕及其邻近环境的 12 个输入性质。$M^*$ 的预测是稳健的，但机器未能完全复现其散布。SFR 也出现了同样的情况，但其预测不如 $M^*$ 好。我们串联了神经网络，在一定程度上改进了 SFR 的预测。对于 SFR，我们在 $z=0$ 到 $z=0.1$ 之间对该值进行了时间平均，这改善了 $z=0$ 的结果。两个变量的预测都难以复现低端和高端的值。我们还使用留一协变量法（leave-one-covariate-out）研究了每个输入变量对预测性能的影响，从而获得了关于输入变量之间物理与统计关系的见解。在指标方面，我们的机器优于类似研究，但本工作的主要发现并非与预测本身的质量相关，而是与预测如何关联输入变量相关。我们发现先前研究的物理变量之间的关系对机器是有意义的。我们还发现一些并合树性质强烈影响机器的性能。我们得出结论，ML 模型是理解不同物理性质的重要性及其对目标特征影响的有用工具，也是潜在模拟方法的有力候选者。