利用深度学习和流体动力学模拟进行星系团质量估计

摘要 我们评估卷积神经网络（CNN）在BAHAMAS流体动力学模拟中预测星系团质量的能力。我们使用：恒星质量、软X射线通量、全波段X射线通量和Compton y参数作为观测追踪器，训练四个独立的单通道网络。我们的训练集由约4800幅从模拟中生成的合成星系团图像组成，而附加的约3200幅图像形成验证集和测试集，每个各有1600幅图像。为了模拟真实观测，这些图像还包含位于星系团前后50 Mpc内的无关结构，并以投影形式呈现，同时存在包括噪声和平滑在内的仪器系统误差。除了所有四个观测量的CNN，我们还通过组合四个观测追踪器来训练一个‘多通道’CNN。所有五个CNN的学习曲线在1000个周期内收敛。对于质量范围在10^13.25\, M和10^14.5\, M之间的晕质量，所得到的预测特别精确，五个网络产生的平均质量偏差约为1%并且波动不超过20%。使用Compton y参数图的网络产生了最精确的预测。我们使用两种诊断测试解释网络的行为，以确定哪些特征被用来预测星系团质量。使用恒星质量图像训练的CNN检测到星系（这并不奇怪），而使用基于气体的追踪器训练的CNN利用信号的形状来估计星系团质量.