基于深度学习的合成 Gaia DR2 中暗物质子晕灵敏度估计
星系天体物理
2023-01-02 v2 天体物理仪器与方法
机器学习
数据分析、统计与概率
机器学习
摘要
绕宿主星系运行的暗物质 (DM) 子晕的丰度是宇宙学框架的普遍预言，也是约束 DM 本质的一种有前景的途径。在本文中，我们研究基于机器学习的工具，以量化 DM 子晕穿过所引起的相空间扰动幅度。我们提出了一种简单的二分类器和一种异常检测模型，用于估计在模拟中靠近 DM 子晕的恒星或恒星粒子在统计上是否可探测。模拟数据集为三个类银河系星系及由此导出的九个合成 Gaia DR2 巡天。首先，我们发现，在具有完整 6D 运动学观测量的模拟星系上训练并应用于另一星系的异常检测算法，对 DM 子晕族表现出非平凡的灵敏度。另一方面，由于用于监督训练的信号星统计数极低，基于分类的方法灵敏度不足。最后，两种算法在类 Gaia 巡天中的灵敏度均可忽略。Gaia 数据集的庞大体积促使进一步开发可扩展且准确的数据分析方法，以用于筛选 DM 搜索的潜在感兴趣区域，最终约束银河系子晕质量函数，以及用于研究此类方法在不同信号假设下灵敏度的模拟。
引用
@article{arxiv.2203.08161,
title = {Sensitivity Estimation for Dark Matter Subhalos in Synthetic Gaia DR2 using Deep Learning},
author = {Abdullah Bazarov and María Benito and Gert Hütsi and Rain Kipper and Joosep Pata and Sven Põder},
journal= {arXiv preprint arXiv:2203.08161},
year = {2023}
}
备注
13 pages, 8 figures, 1 table. Accepted for publication in Astronomy and Computing