QUOTAS：用于黑洞数据驱动研究的新平台

我们提出QUOTAS，一个用于超大质量黑洞（SMBH）族群数据驱动研究的新型研究平台。尽管SMBH数据集——观测与模拟——在复杂性和数量上快速增长，我们的计算环境和分析工具却未相应成熟以穷尽发现机会。受探索黑洞宿主星系与父代暗物质晕联系的动机驱动，在QUOTAS的这一试验版本中，我们汇编并共置红移$z \geq 3$的高红移亮类星体族群与同时代的模拟数据。利用机器学习算法（ML），我们扩展成功复现晕族群的模拟体积至训练集之外。在包含重子物理的Illustris-TNG300模拟上训练ML，我们将更大的LEGACY Expanse纯暗物质盒中填入类星体。我们在$z \sim 3$比较观测与ML模拟类星体的首批科学结果显示：尽管恢复的黑洞质量函数和团簇性吻合良好，模拟SMBH未能以足够高的吸积、发光和增长速率匹配观测类星体。我们结论为，Illustris-TNG300中实现的子网格质量吸积与SMBH反馈模型未能复现其观测质量增长。QUOTAS展示了ML的力量，既用于分析大型复杂数据集，也提供了审问我们理论模型假设的独特机会。我们再次部署ML以推导并设计一种最优巡天策略，将未探测的低光度类星体族群带入视野。QUOTAS及所有相关材料公开于Google Kaggle平台。