利用图神经网络表征星流中暗物质子晕扰动的探索

星流的相空间被提议用于通过经过的子晕产生的扰动来探测银河系中的暗子结构——因此是对冷暗物质范式及其替代方案的有力检验。我们在一条模拟的类 GD-1 星流上使用图卷积神经网络（GCNN）数据压缩和基于模拟的推断（SBI），将质量分别为 [$10^8$, $10^7$, $10^6$] $M_\odot$ 的扰动子晕的质量约束相对于当前最先进的密度功率谱分析提高了 [11, 7, 3] 倍。我们发现 GCNN 产生的后验分布比功率谱更准确（校准更好）。我们模拟了类 GD-1 星流中恒星的位置和速度，并用不同质量和速度的子晕扰动该星流。利用 GCNN 的特征编码来压缩输入的相空间数据，然后我们使用 SBI 来估计子晕质量和速度的联合后验分布。我们研究了我们的结果如何随 GCNN 的大小、输入的坐标系以及不完备观测的影响而变化。我们的结果表明，一个拥有少 10 倍恒星（300 颗星）但具有完备 6 维相空间数据的巡天，其表现大约与一个更深度的巡天（3000 颗星）但仅有 3 维数据（测光、光谱）的巡天一样好。更强的约束能力和更准确的后验估计激励着 GCNN 在结合未来测光、光谱和天体测量星流观测方面的进一步发展。