利用图神经网络预测混入星系比例
宇宙学与河外天体物理
2023-09-13 v1
摘要
即将开展的发射线光谱巡天，如 Euclid 和 Roman Space Telescope，将受到由闯入者（interlopers）引起的系统效应影响：这些星系因其发射光谱中的谱线混淆而导致红移和距离被误算。尤其有害的是涉及两条发射波长相近谱线混淆的闯入者，例如被误认为 [OIII] 的 Hβ 发射体，因为它们与目标星系具有强空间相关性。它们在观测星系星表中引入了特定的三维分布模式，可移动星系相关函数中 BAO 峰的位置，并偏置基于该样本所做的任何宇宙学分析。本文提出一种预测星系星表中闯入者比例的新方法，利用图神经网络（GNNs）在学习闯入者比例后验分布的同时对宇宙学和星系偏置进行边际化。该方法利用以暗物质晕作为星系代理的模拟发展而来。GNN 可使用通常不被宇宙学分析考虑的小尺度信息推断闯入者比例后验分布的均值与标准差。将大尺度信息作为全局属性注入图中，可提升 GNN 在宇宙学边际化下的表现。
引用
@article{arxiv.2309.05850,
title = {Predicting Interloper Fraction with Graph Neural Networks},
author = {Elena Massara and Francisco Villaescusa-Navarro and Will J. Percival},
journal= {arXiv preprint arXiv:2309.05850},
year = {2023}
}
备注
19 pages, 7 figures