从星系重建暗物质和原子质量密度：线性、halo 模型与机器学习方法的比较

在宇宙学的许多分析中，都需要从观测到的光源（如星系）重建未观测场的可能分布，如暗物质或非发光的原子质量。宇宙学的主流方法是使用所谓的halo模型，该模型假设以光源（如星系）为中心，呈现径向对称的剖面。更近期，提出了基于场水平的机器学习方法，通过训练模拟数据来学习估计未观测场。然而，机器学习方法是否显著优于线性方法或halo模型尚不清楚。本文使用CAMELS模拟数据，对不同方法从星系数据重建暗物质和非发光原子进行系统比较。这些模拟在$25\ \texttt{Mpc/h}$的盒子内进行，允许我们在$k\sim 0.4\ \mathrm{h/Mpc}$的轻度非线性尺度上进行比较，直至单个halo的尺寸。我们发现采用结合GNN-CNN方法效果最佳。我们还提供了对matter、非发光原子、halo和星系在这些模拟中关系的一般性分析和可视化，以解释我们的结果。