利用可解释多步机器学习与模拟揭示重子循环的驱动因素
星系天体物理
2026-02-06 v3
摘要
我们提出了一种新方法，通过将两种机器学习方法应用于IllustrisTNG100模拟，来理解星系如何失去或保留重子。我们使用随机森林回归器和可解释增强机（EBM）模型，将约10^5个模拟星系的保留重子比例与其性质联系起来。我们使用随机森林模型进行筛选，并利用五个最显著的性质来训练EBM。EBM识别的交互函数突出了重子比例与三种不同星系质量测量值、旋转曲线峰值位置以及速度色散之间的关系。这种基于可解释机器学习的方法为理解星系中的重子循环提供了一条有前景的途径。
引用
@article{arxiv.2504.09744,
title = {Unveiling the drivers of the Baryon Cycles with Interpretable Multi-step Machine Learning and Simulations},
author = {Mst Shamima Khanom and Benjamin W. Keller and Javier Ignacio Saavedra Moreno},
journal= {arXiv preprint arXiv:2504.09744},
year = {2026}
}
备注
22 pages,17 figures, Published in the Open Journal of Astrophysics