基于集合的隐式似然推断天体集群质量

我们提出了一种基于集合的机器学习框架，用于从投影星系动力学中推断星系集群质量后验分布。我们的模型将 Deep Sets 与条件正规化流结合起来，用于整合成员星系的位置和速度信息，以预测对 $M$-$\sigma$ 关系的残差修正，以实现更好的可解释性。在 Uchuu-UniverseMachine 模拟上训练，我们的方法显著减少了散射，并在整个质量范围内提供了经过良好校准的不确定性，与传统动力学估计方法相比效果更佳。