三百计划：基于多视角模拟观测深度学习的星系团物质分布制图

星系团作为宇宙中最具质量的引力束缚天体，由暗物质主导，遗憾的是只能通过其与发光重子物质的相互作用并在一些引入非期望偏见的简化假设下进行研究。在这项工作中，我们首次提出一种基于 U-Net 架构的深度学习方法，从多波长模拟星系团的理想化观测中直接推断投影总质量密度图。该模型使用来自 The Three Hundred Project 的模拟图像大数据集进行训练。尽管机器学习 (ML) 模型不依赖于星系团内介质动力学假设，但我们的整体方法依赖于流体动力学模拟中所实现物理的选择，这是该方法的一个局限。通过不同指标评估推断密度图的保真度，我们表明预测的总质量分布与真实模拟星系团非常一致。因此，看到积分晕质量几乎无偏（多视角最佳结果约为 1%）且散度也非常小（基本在 3% 以内）并不令人意外。该结果表明，此 ML 方法提供了一种替代且更易获取的重建星系团整体物质分布的方法，可补充透镜方法。