利用人工神经网络约束再电离期间的晕重子分数

恒星和星系的辐射反馈已被提议作为解决基于 $\Lambda$CDM 的简化星系形成模型中许多张力（例如 UV 光度函数的暗端）的潜在方案。辐射的总能量预算可能超过星系风和超新星的总和，这推动了在宇宙学背景下同时演化辐射场和气体流体动力学响应的复杂算法的发展。我们利用自适应网格细化、辐射转移、流体动力学和 $N$-body 代码探测星系尺度上的自反馈。与假设均匀 UV 背景的先前研究不同，我们自洽地演化辐射场和气体，以约束宇宙再电离期间的晕重子分数。我们证明，具有平均重子分数为宇宙平均值一半的特征晕质量 $M_{\mathrm{c}}(z)$，作为质量加权电离分数的函数显示出非常小的变化。此外，我们发现包含金属冷却以及能够分辨小到足以使自屏蔽变得有效的尺度，会导致 $M_{\mathrm{c}}$ 相较于近期研究显著下降。最后，我们开发了一种人工神经网络，能够基于近期的潮汐相互作用、气体温度和质量加权电离分数来预测晕的重子分数。此类模型可应用于任何再电离历史，并可轻松地纳入星系形成的半解析模型中。