Estimating Dark Matter Halo Masses in Simulated Galaxy Clusters with Graph Neural Networks

要約

銀河は暗黒物質ハローの中で成長し、進化します。
暗黒物質は目に見えないため、銀河のハロー質量 ($\rm{M}_{\rm{halo}}$) は間接的に推測する必要があります。
我々は、シミュレーションされた銀河団の星の質量 ($\rm{M}_{*}$) から $\rm{M}_{\rm{halo}}$ を予測するためのグラフ ニューラル ネットワーク (GNN) モデルを、からのデータを使用して提示します。
IllustrisTNG シミュレーション スイート。
ランダム フォレストのような従来の機械学習モデルとは異なり、私たちの GNN は、隣接する銀河間の空間的および運動学的関係を使用して、銀河クラスターの情報豊富な下部構造を捕捉します。
TNG-Cluster データセットでトレーニングされ、TNG300 シミュレーションで個別にテストされた GNN モデルは、テストした他のベースライン モデルと比較して優れた予測パフォーマンスを実現します。
今後の研究では、このアプローチをさまざまなシミュレーションや実際の観測データセットに拡張して、GNN モデルの一般化能力をさらに検証する予定です。

要約(オリジナル)

Galaxies grow and evolve in dark matter halos. Because dark matter is not visible, galaxies’ halo masses ($\rm{M}_{\rm{halo}}$) must be inferred indirectly. We present a graph neural network (GNN) model for predicting $\rm{M}_{\rm{halo}}$ from stellar mass ($\rm{M}_{*}$) in simulated galaxy clusters using data from the IllustrisTNG simulation suite. Unlike traditional machine learning models like random forests, our GNN captures the information-rich substructure of galaxy clusters by using spatial and kinematic relationships between galaxy neighbour. A GNN model trained on the TNG-Cluster dataset and independently tested on the TNG300 simulation achieves superior predictive performance compared to other baseline models we tested. Future work will extend this approach to different simulations and real observational datasets to further validate the GNN model’s ability to generalise.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google