深度学习估计X射线星系团质量的基准和解释
摘要：使用深度学习模型通过来自下一代调查的X射线光度测量数据重建星系团的质量的效果进行评估。我们使用eROSITA X射线观测的实际模拟目录，该目录使用流体动力学模拟来模拟实际星系团的形态、背景发射、望远镜响应和AGN源。使用全辐射X射线光子图作为输入，深度学习模型实现了预测质量的离散度为$sigma_{ln M_ {500c}} = 17.8\%$，相对于数量性观测量（如富度$N_{gal}$、 1D速度离散度$ sigma_ {v,1D}$和光子计数$N_ {phot}$）以及玻尔兹曼 X射线光度$L_X$；在理想状态下，体积一致的测量结果上提高了32％。然后我们展示了将此模型扩展到处理多通道的X射线光子图，分为低、中、高能带，进一步将质量分散减小至16.2％。我们还测试了一种结合动力学和X射线星系团探测的多模态深度学习模型，在质量分散为15.9％时取得了微小的收益。最后，我们对深度学习模型进行了定量的可解释性研究，发现它们大大减小了星系团中心像素和AGN源位置的重要性，验证了以前对深度学习模型改进的说法，并为使用深度学习进行X射线质量推断提供了实际和理论上的益处。
作者：Matthew Ho, John Soltis, Arya Farahi, Daisuke Nagai, August Evrard, Michelle Ntampaka
论文ID：2303.00005
分类：Cosmology and Nongalactic Astrophysics
分类简称：astro-ph.CO
提交时间：2023-07-27