X射线星团调查的宇宙学分析 第七部分：通过拉格朗日深度学习和仿真基推断绕过比例关系

星系星团是我们宇宙中结构形成的最高峰，是强大的宇宙学探针。已提出多种方法来表述星团计数，但所有这些方法都依赖于将观测属性与总星团质量联系起来的经验显式比例关系。这些比例关系过于参数化，导致与宇宙学参数的某些退化性。此外，它们并不提供对影响星团中介质物理的众多非引力现象的直接把握。我们提出了一种绕过显式使用比例关系的星团计数建模概念证明。我们更倾向于实现几种天体物理过程的效应来描述星团属性。我们评估了这种建模对于宇宙学推断的性能。我们开发了一个基于拉格朗日深度学习方法并在CAMELS仿真数据集上训练的加速型机器学习质子场模拟器。我们随后创建了一个以XMM可观测量为基础模拟星团计数的管线。我们最终比较了基于仿真的模型与使用比例关系的方法在基于仿真的宇宙学推断中的性能。我们的模型在fiducial参数值处正确再现了来自校准仿真的星团 population，并允许我们约束反馈机制。宇宙学推断分析表明，我们的仿真基模型在使用比例关系的方法之后，退化性更小。这一新方法为从仿真中建模观测星团计数开辟了有趣的前景。只要仿真的分辨率和体积能够实现对驱动星团演化的复杂现象的最真实实现，该方法就有潜力克服标准方法的局限性。