在 CAMELS 中用机器学习预测反馈对物质团簇的影响

以即将到来的宇宙学巡天所需的精度从总物质功率谱中提取信息，需要厘清星系形成过程对物质分布的复杂影响。我们利用 Cosmology and Astrophysics with MachinE Learning Simulations (CAMELS) 项目中的功率谱库研究重子物理在 $z=0$ 时对物质团簇的影响，该库包含数千个 $(25\,h^{-1}{\rm Mpc})^3$ 体积的实现，具有变化的宇宙学、初始随机场、恒星与 AGN 反馈强度以及子网格模型实现方法。我们表明重子物理在尺度 $k \gtrsim 0.4\,h\,\mathrm{Mpc}^{-1}$ 上影响物质团簇，且该效应大小依赖于星系形成实现的细节以及宇宙学和天体物理参数的变化。增大 AGN 反馈强度会降低晕重子比例，并相对于 N 体模拟产生更强的功率抑制，而更强的恒星反馈常通过抑制黑洞生长从而削弱 AGN 反馈的影响。我们发现大质量晕（$M_{\rm 200c} > 10^{13.5}$\,\Msun）的平均重子比例与物质团簇抑制之间存在广泛关联，但由于对反馈参数和宇宙方差效应更广泛的探索，相比先前工作存在显著散度。我们展示一个在全部质量范围 $10^{10} \leq M_\mathrm{halo}/$\Msun$< 10^{15}$ 上基于晕的重子含量和丰度训练的随机森林回归器，可预测星系形成在尺度 $k = 1.0$–20.0\,$h\,\mathrm{Mpc}^{-1}$ 上对物质功率谱的影响。