利用图神经网络进行速度重构

在本工作中，我们试图利用图神经网络（Graph Neural Networks，一种专为分析稀疏、非结构化数据而设计的深度神经网络）来改进星系团的速度重构。与为规则网格等结构化数据构建的卷积神经网络（CNN）相比，GNN 特别适用于分析星系目录。在我们的 GNN 中，星系被表示为通过边连接的节点。我们将星系的位置和属性——恒星质量、恒星形成率以及 100~\mpc 范围内的星系总数——结合起来，以预测星系团的视向速度。为了训练我们的网络，我们使用了基于 Magneticum 流体动力学模拟构建的模拟 SDSS 星系和星系团。我们的 GNN 在重构视向速度方面达到了 $\Delta v$=163 km/s 的精度，比微扰理论（$\Delta v$=181 km/s）或 CNN（$\Delta v$=179 km/s）高出约 10\%。恒星质量提供了额外信息，使精度比仅基于位置的 GNN 提高了约 6\%，而其他属性增加的信息很少。即使包含红移空间畸变，我们的 GNN 仍能重构速度场，其 $\Delta v$=210 km/s，再次比带有 RSD 的 CNN 好 10\%。最后，我们发现，即使星系数密度从 SDSS 到 DESI 增加了令人印象深刻的近 70\%，我们的 GNN 仅显示出微不足道的 2\% 提升，这与使用其他方法的先前工作一致。我们的工作表明，虽然速度重构的效率在 SDSS 数密度水平上可能已经趋于平稳，但利用此处研究的 GNN 等新重构模型仍有希望获得进一步改进。