试炼之火：利用 GraphNPE 探测矮星系暗物质密度轮廓

矮星系中暗物质(DM)分布提供了关于结构形成及暗物质粒子本质的关键见解。GraphNPE(图神经后验估计器)，首次由 Nguyen 等人(2023)提出，是一种新型仿真基推断框架，结合图神经网络和正规化流，以推断从视线星系速度推断 DM 密度轮廓。我们将 GraphNPE 应用于 FIRE-2 Latte 模拟套件中的卫星矮星系，测试其在冷暗物质和自互作用暗物质情形下的性能。我们的方法在常规 Jeans 方法推断精度方面表现出优势，即使在仅有 30 个轨迹星系的系统中，亦能在 95% 置信区间内恢复 DM 密度轮廓。此外，我们首次对两种关键参数的质量建模方法进行评估：峰值圆形速度 $V_\mathrm{max}$ 和峰值比例质量 $M_\mathrm{200m}^\mathrm{peak}$。仅凭视线速度，GraphNPE 能可靠地恢复 $V_\mathrm{max}$ 和 $M_\mathrm{200m}^\mathrm{peak}$，包括受潮汐效应影响的系统（其中 $\gtrsim$ 63% 的系统在我们的 68% 置信区间内被恢复，$\gtrsim$ 92% 在 95% 置信区间内被恢复）。该方法在 $V_\mathrm{max}$ 恢复中实现 10-20% 的精度，而 $M_\mathrm{200m}^\mathrm{peak}$ 的恢复精度为 0.1-0.4 dex。这一工作确立了 GraphNPE 作为推断矮星系暗物质密度轮廓的稳健工具，为约束暗物质模型提供了有前景的途径。该框架的潜力远超本研究，因其可适用于非球形和非平衡模型，展示了仿真基推断和图基学习在天体物理学中的更广泛实用性。