JFlow: Model-Independent Spherical Jeans Analysis using Equivariant Continuous Normalizing Flows

要約

ドワーフスフェロイド銀河の星の運動学は、暗黒物質ハローの構造を理解するために研究されています。
ただし、これらの星の運動学的情報は、多くの場合、天の位置と視線の速度に限定されており、完全な位相空間分析が困難になっています。
従来の方法は、いくつかのパラメーターを備えた予測分析位相空間密度モデルに依存し、球状のジーンズ方程式を解くことにより暗黒物質ハロー構造を推測します。
このホワイトペーパーでは、球形のスフェロイド銀河のモデル非依存分析に向けた最初のステップとして、モデルに依存しない方法で球状のジーンズ方程式を解くための監視されていない機械学習方法を紹介します。
等量の連続正規化フローを使用して、モデルの仮定なしでは球体対称星の位相空間密度と速度分散液が推定できることを実証します。
概念実証として、球状モデルのGaiaチャレンジデータセットに方法を適用し、与えられた速度異方性プロファイルの暗黒物質の質量密度を測定します。
私たちの方法は、少数のトレーサー星でさえ、ハロー構造を正確に識別することができます。

要約(オリジナル)

The kinematics of stars in dwarf spheroidal galaxies have been studied to understand the structure of dark matter halos. However, the kinematic information of these stars is often limited to celestial positions and line-of-sight velocities, making full phase space analysis challenging. Conventional methods rely on projected analytic phase space density models with several parameters and infer dark matter halo structures by solving the spherical Jeans equation. In this paper, we introduce an unsupervised machine learning method for solving the spherical Jeans equation in a model-independent way as a first step toward model-independent analysis of dwarf spheroidal galaxies. Using equivariant continuous normalizing flows, we demonstrate that spherically symmetric stellar phase space densities and velocity dispersions can be estimated without model assumptions. As a proof of concept, we apply our method to Gaia challenge datasets for spherical models and measure dark matter mass densities for given velocity anisotropy profiles. Our method can identify halo structures accurately, even with a small number of tracer stars.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google