利用机器学习将星系填入暗物质晕中

我们开发了一个机器学习(ML)框架，用于在大尺度仅含暗物质的模拟中填入重子星系。我们的 ML 框架输入晕属性，包括晕质量、环境、自旋和近期增长历史，并输出中心星系和晕的重子属性，包括恒星质量($M_*$)、恒星形成率(SFR)、金属丰度($Z$)、中性($\rm HI$)和分子($\rm H_2$)氢质量。我们将此应用于 MUFASA 宇宙学流体动力学模拟，并表明它能高度准确地恢复输出量与晕质量的平均趋势，包括追踪到 quenched 大质量星系中 SFR 和气体的急剧下降。然而，平均关系周围的散射被低估了。逐个考察星系，在 $z=0$ 时恒星质量和金属丰度被准确恢复($\sigma\lesssim 0.2$~dex)，但 SFR 和 $\rm HI$ 显示出更大的散射($\sigma\gtrsim 0.3$~dex)；这些值在 $z=1,2$ 时有所改善。值得注意的是，ML 定量恢复了星系属性的第二参数趋势，例如在给定 $M_*$ 下气体含量更高且金属丰度更低的星系具有更高的 SFR。测试各种 ML 算法后，我们发现没有哪种显著优于其他算法，集成也未改善性能，这可能是因为没有任何算法能重现观测到的围绕平均属性的大散射。对于随机森林算法，我们发现晕质量和邻近($\sim 200$~kpc)环境是最重要的预测变量，其次是增长历史，而晕自旋和 $\sim$Mpc 尺度环境并不重要。最后我们研究了额外输入关键重子属性 $M_*$、SFR 和 $Z$ 的影响，例如来自平衡模型时可获得这些量，并表明尤其提供 SFR 能使 $\rm HI$ 的恢复精度大幅提高。