SHAPing the Gas：用可解释机器学习理解暗物质晕中的气体形状

暗物质与气体分布的非球形形状引入了影响星系群与星系团可观测—质量关系及选择函数的系统不确定性。然而，三轴气体分布依赖于晕形成历史与重子物理的非线性物理过程，难以精确建模。在本研究中，我们探索了一种机器学习方法，用于建模气体形状对暗物质与重子属性的依赖关系。利用 IllustrisTNG 流体动力学宇宙学模拟的数据，我们开发了一条机器学习流水线，应用 \pkg{XGBoost}（梯度提升决策树的一种实现）由晕属性预测气体形状的半径轮廓。我们表明 \pkg{XGBoost} 模型可准确预测暗物质晕中的气体形状轮廓。我们还利用 \pkg{SHAP}（一种识别不同晕半径处最具预测力属性的方法）探索了模型可解释性。我们发现重子属性在晕核处最能预测气体形状，而暗物质形状在晕外围是主要预测因子。本工作展示了在多波段宇宙学巡天时代，可解释机器学习在建模暗物质晕可观测属性方面的威力。