确定气体冷却和加热函数所需的辐射场参数最少数量

快速且准确的气体冷却和加热函数近似值对于流体力学星系模拟至关重要。我们利用机器学习分析在广义局部辐射场存在下的由 Cloudy 计算的原子气体冷却和加热函数。我们通过二进位辐射场强度来表征辐射场，而非我们前一工作中使用的光电离率。我们发现一组 6 个能量区间的强度 exhibits 相对较低的相关性。我们将这些区间作为特征来训练机器学习模型，以在固定金属丰度下预测 Cloudy 冷却和加热函数。我们比较特征的相对 SHapley 增量解释 (SHAP) 价值重要性。从SHAP分析中，我们识别出一组 3 个特征区间 ($0.5-1$, $1-4$, 和 $13-16 \, \mathrm{Ry}$)具有最大重要性，并在此子集上训练额外的模型。我们比较在整个训练数据表以及随机抽取的 20% 测试集上（该测试集被遗漏用于模型训练）的均方误差和误差分布。使用 3 和 6 个能量区间，以及 3 和 4 个光电离率训练的机器学习模型在各处的准确性相当，误差小于 Gnedin 和 Hollon (2012) 的插值表 10 倍。我们得出结论，3 个能量区间（或 3 个类似的光电离率：分子氢 H2 光解、中性氢 HI 和完全离子化碳 CVI）足以表征气体冷却和加热函数对我们假设的局部辐射场模型的依赖性。