利用神经网络测试 HCN 和 HNC 的物理参数约束能力
星系天体物理
2026-01-21 v1 天体物理仪器与方法
摘要
我们量化了 HCN 和 HNC 在表征近邻星暴星系 NGC 253 中气体条件的效用。我们使用了来自阿塔卡马大型毫米波/亚毫米波阵列（ALMA）大型项目 ALCHEMI（ALMA 综合高分辨率分子普查）的测量数据。利用 ALCHEMI 测量到的总共八条 HCN 和 HNC 跃迁的不同子集，我们测试了在 NGC 253 内三个代表性区域中约束温度、H 体积密度和柱密度、宇宙射线电离率以及射束填充因子所需的跃迁数量和组合。我们使用这些 HCN 和 HNC 跃迁组合来约束化学和辐射转移模型，并结合神经网络模型使用贝叶斯嵌套采样算法以提高效率，从而推断气体条件。通过将每个测试案例所得后验分布的形状以及每个气体参数的中位数和不确定性与使用全部八条跃迁（对照组）获得的结果进行比较，我们量化了每个测试对对照组的再现程度。我们发现，需要两种分子的多条跃迁，才能获得在对照组 2 倍因子以内且不确定性小于对照组 2-3 倍的参数中位数值。我们还发现，具有一系列不同上态能量的跃迁组合最为有效。我们表明，单一跃迁（如 HCN J = 1-0 或 3-2）属于表现最差的组合，导致参数值与对照组相差高达一个数量级。
引用
@article{arxiv.2601.13305,
title = {Testing the Physical Parameter Constraining Power of HCN and HNC with Neural Networks},
author = {Erica Behrens and Jeffrey G. Mangum and Mathilde Bouvier and Cosima Eibensteiner and Serena Viti},
journal= {arXiv preprint arXiv:2601.13305},
year = {2026}
}
备注
35 pages, 21 figures, 4 tables, accepted to the Astrophysical Journal