摘要

理解晕团（halo）与星系之间的关联关系，对于深化我们对暗物质本质及其性质的认知具有根本性意义。在本研究中，我们构建了一个模型，该模型能够根据星系所处的位形、速度、恒星质量以及半径等信息，推断其所在晕团的质量。为捕捉星系属性之间及其相空间中的复杂关联信息，我们采用图神经网络（Graph Neural Networks, GNNs），这类模型专为处理非规则且稀疏的数据结构而设计。我们的模型在来自“宇宙学与机器学习模拟”（Cosmology and Astrophysics with MachinE Learning Simulations, CAMELS）项目超过2,000个前沿模拟的星系数据上进行训练。该模型充分考虑了宇宙学与天体物理层面的不确定性，能够以约0.2 dex的精度约束晕团质量。此外，经过一套模拟训练的GNN模型，在应用于采用不同数值代码、并使用不同亚网格物理模型的另一套模拟时，仍能保持部分预测精度，充分体现了本方法的鲁棒性。该GNN模型的PyTorch Geometric实现已公开发布于GitHub，地址为：https://github.com/PabloVD/HaloGraphNet。