Dynamische Massenschätzung von Galaxienhaufen mit neuronalen Flüssen

ZUSAMMENFASSUNG Wir präsentieren einen Algorithmus zur direkten Ableitung der dynamischen Masse von Galaxienhaufen aus ihren jeweiligen Phasenraumausdrücken, das heißt, den beobachteten Geschwindigkeiten entlang der Sichtlinie und den projizierten Abständen der Galaxien vom Zentrum des Haufens. Unsere Methode nutzt normalisierende Flüsse, ein tiefes neuronales Netzwerk, das fähig ist, beliebige hochdimensionale Wahrscheinlichkeitsverteilungen zu lernen, und berücksichtigt in angemessenem Maße die Anwesenheit von Eindringlingen, also Galaxien, die nicht an einen bestimmten Haufen gebunden sind, der primäre Störfaktor bei dynamischen Massenmessungen. Wir validieren und demonstrieren die Leistungsfähigkeit unseres neuronalen Flussansatzes, um die dynamische Masse von Haufen aus einem realistischen simulierten Haufenkatalog robust abzuleiten. Ein wesentlicher Aspekt unseres neuartigen Algorithmus ist, dass er die Wahrscheinlichkeitsdichtefunktion der Masse eines bestimmten Haufens liefert, wodurch eine prinzipielle Möglichkeit zur Quantifizierung von Unsicherheiten bereitgestellt wird, im Gegensatz zu konventionellen Ansätzen des maschinellen Lernens (ML). Die Vorhersagen der neuronalen Netzwerkmasse, wenn sie auf einen kontaminierten Katalog mit Eindringlingen angewendet werden, weisen eine mittlere logarithmische Reststreuung von 0.028 dex auf, mit einer lognormalen Streuung von 0.126 dex, die auf 0.089 dex für Haufen im intermediären bis hohen Massenbereich sinkt. Dies ist eine Verbesserung um fast den Faktor 4 im Vergleich zur klassischen Massenskala von Haufen mit der Geschwindigkeitsdispersion und übertrifft kürzlich vorgeschlagene ML-Ansätze. Wir wenden auch unseren neuronalen Flussmassenschätzer auf eine Zusammenstellung von Beobachtungen von Galaxien in einigen gut untersuchten Haufen mit robusten Schätzungen der dynamischen Masse an, was die Wirksamkeit unseres Algorithmus weiter untermauert.