基于机器学习从星系中心观测推断总质量与暗物质质量
星系天体物理
2025-12-01 v3
摘要
星系在有效半径内的总质量编码了关于暗物质与星系演化模型的重要信息。总“中心”质量可通过星系动力学或引力透镜推断，但这些方法存在局限。我们提出一种基于随机森林的新方法，利用成像与光谱巡天的简单观测量预测星系的总质量与暗物质含量。我们使用来自 Illustris-TNG100 流体动力学模拟的模拟星系的多波段测光、尺寸、恒星质量、运动学“测量”（特征）与暗物质（目标）星表，训练质量估计机器学习算法（Mela）。我们将模拟样本划分为被动早型星系（ETG，含“正常”与“矮”）、活动晚型星系（LTG），并表明该质量估计器能在所有样本中准确预测有效半径内的星系暗物质质量。我们最终将质量估计器与一系列低红移（z≤0.1）数据集的中心质量估计进行对照测试，包括基于 Jeans 方程的标准动力学方法导出的 SPIDER、MaNGA/DynPop 与 SAMI 矮星系。动力学质量在 0.30 dex（∼2σ）内被复现，离群值比例有限且几乎无偏。这与所收集运动学数据的复杂程度（光纤 vs. 三维光谱）及所采用的动力学分析（径向 vs. 轴对称 Jeans 方程、位力定理）无关。这使得 Mela 成为预测大规模第四阶段巡天数据集星系质量的有力替代方案。
引用
@article{arxiv.2310.02816,
title = {Total and dark mass from observations of galaxy centers with Machine Learning},
author = {Sirui Wu and Nicola R. Napolitano and Crescenzo Tortora and Rodrigo von Marttens and Luciano Casarini and Rui Li and Weipeng Lin},
journal= {arXiv preprint arXiv:2310.02816},
year = {2025}
}