基于机器学习方法预测 SDSS DR7 中星系暗物质晕质量

我们提出了一种机器学习（ML）方法来预测星系的暗物质晕质量，其性能优于传统方法。我们训练了三种 ML 算法（\texttt{XGBoost}、随机森林和神经网络），使用一组合成星系星表来预测晕质量，这些星表通过在 N 体模拟中将星系填入暗物质晕中构建，并且与斯隆数字巡天（SDSS）中星系的成团性及联合属性分布相匹配。我们探究了不同星系和星系群相关属性与晕质量的相关性，并提取出对晕质量预测贡献最大的九个特征。我们发现，ML 算法的质量预测比晕丰度匹配（\texttt{HAM}）或动力学质量（\texttt{DYN}）估计更准确。由于该方法的风险在于训练数据可能不能准确代表真实宇宙，我们探究了在采用与训练阶段不同假设构建的合成星表上测试模型的影响。我们测试了多种以不同方式填充暗物质晕的模型，例如为卫星星系添加速度偏置。我们确定，尽管在不同数据上训练和测试会导致预测质量的系统误差，ML 方法仍比 \texttt{HAM} 或 \texttt{DYN} 给出明显更好的质量。最后，我们将训练好的模型应用于来自 SDSS DR7 的星系和星系群星表，并给出了所得晕质量。