借助辅助变量引导的生成模型探索暗物质星系结构的物理驱动因素
机器学习
2026-03-02 v1 机器学习
摘要
深度生成模型（DGMs）压缩高维数据，但常在潜空间中交织不同物理因子。我们提出一种辅助变量引导框架，用于解耦暗物质星系的热Sunyaev-Zel'dovich（tSZ）图的表示。我们引入星系质量和浓度作为辅助变量，通过轻量级对齐惩罚鼓励潜维度反映这些物理量。为生成清晰逼真的样本，我们扩展潜在条件流匹配（LCFM），一种最新生成模型，以在潜空间中实现解耦。我们的Disentangled Latent-CFM（DL-CFM）模型恢复了已知的质量-浓度比例关系，并识别出可能对应异常星系形成历史的潜空间异常值。通过将潜坐标链接到可解释的天文物理属性，我们将潜空间转化为诊断工具，用于宇宙结构。本工作表明，辅助引导在保持生成灵活性的同时，产生具有物理意义且解耦嵌入，为在复杂天文数据集中发现独立因子提供了可通用的路径。
引用
@article{arxiv.2602.23518,
title = {Uncovering Physical Drivers of Dark Matter Halo Structures with Auxiliary-Variable-Guided Generative Models},
author = {Arkaprabha Ganguli and Anirban Samaddar and Florian Kéruzoré and Nesar Ramachandra and Julie Bessac and Sandeep Madireddy and Emil Constantinescu},
journal= {arXiv preprint arXiv:2602.23518},
year = {2026}
}