[논문 리뷰] Modeling the galaxy-halo connection with machine learning

Ana María Delgado, Digvijay Wadekar외 4명|arXiv (Cornell University)|2021. 11. 03.

Galaxies: Formation, Evolution, Phenomena인용 수 5

한 줄 요약

이 논문은 힐로 질서 분포(HOD) 모델을 기계학습으로 강화하여, 힐로 질량 외에 보조 힐로 특성—특히 환경 과밀도와 전단 변형—을 포함함으로써 은하 군집 예측을 향상시킨다. 임의의 숲 회귀 분석기와 심벌릭 회귀 분석을 이용해 IllustrisTNG 시뮬레이션에서, 기존의 질량 전용 HOD 모델 대비 군집 통계에서 10% 향상된 성능을 달성하며, 천체론적 조사에서 정확도를 크게 향상시킨다.

ABSTRACT

To extract information from the clustering of galaxies on non-linear scales, we need to model the connection between galaxies and halos accurately and in a flexible manner. Standard halo occupation distribution (HOD) models make the assumption that the galaxy occupation in a halo is a function of only its mass, however, in reality, the occupation can depend on various other parameters including halo concentration, assembly history, environment, spin, etc. Using the IllustrisTNG hydrodynamic simulation as our target, we show that machine learning tools can be used to capture this high-dimensional dependence and provide more accurate galaxy occupation models. Specifically, we use a random forest regressor to identify which secondary halo parameters best model the galaxy-halo connection and symbolic regression to augment the standard HOD model with simple equations capturing the dependence on those parameters, namely the local environmental overdensity and shear, at the location of a halo. This not only provides insights into the galaxy-formation relationship but, more importantly, improves the clustering statistics of the modeled galaxies significantly. Our approach demonstrates that machine learning tools can help us better understand and model the galaxy-halo connection, and are therefore useful for galaxy formation and cosmology studies from upcoming galaxy surveys.

연구 동기 및 목표

• 유체역학적 시뮬레이션에서 은하-힐로 연결을 가장 정확하게 모델링하는 질량 외의 보조 힐로 특성들을 규명하는 것.
• 기계학습을 활용해 이러한 보조 매개변수를 포함하는 유연하고 해석 가능한 HOD 모델을 개발하는 것.
• 모의와 모델링된 은하 분포 간의 괴리 감소를 통해 은하 군집 예측을 향상시키는 것.
• 환경적 및 구조적 힐로 특성이 은하 점유를 형성하는 데 미치는 통계적 유의성을 평가하는 것.
• 앞서 예정된 대규모 조사에 대비해 은하 형성 편향을 스케일러블하고 데이터 기반의 프레임워크로 제공하는 것.

제안 방법

• 질량, 농도, 스핀, 환경, 전단 등을 포함한 힐로 특성에 대해 랜덤 포레스트 회귀 분석기를 훈련시켜 은하 수를 예측하고, 가장 영향력 있는 보조 매개변수를 식별한다.
• 기계학습으로 유도된 단순하고 해석 가능한 식을 도출하기 위해 심벌릭 회귀 분석을 적용하며, 특히 환경 과밀도와 전단에 대한 의존성을 강화한 표준 HOD를 보완한다.
• 중앙 및 위성 은하의 힐로 특성에 대한 의존성이 다르므로, 별도로 훈련한다.
• 군집 통계—가중치가 부여된 상관 함수와 물질 스펙트럼—을 사용해 성능을 평가하며, 전체 IllustrisTNG 시뮬레이션과 비교한다.
• 최종 HOD 모델은 질량, 국소 환경 과밀도, 전단을 분석적 식으로 통합하여 예측 정확도를 향상시킨다.
• 수정된 아카이크 정보 기준(AICc)을 사용해 모델 선택을 하며, 추가 물리적 매개변수를 포함한 모델을 선호한다.

실험 결과

연구 질문

• RQ1 유체역학적 시뮬레이션에서 질량 외의 어떤 보조 힐로 특성이 은하 점유 예측을 가장 크게 향상시키는가?
• RQ2 기계학습은 힐로 특성과 은하 수 간의 비선형적이고 고차원적인 의존성을 식별할 수 있는가?
• RQ3 환경 과밀도와 전단은 질량이 다른 힐로 내에서 은하 분포에 어떻게 영향을 미치는가?
• RQ4 환경 및 구조적 매개변수를 포함함으로써 질량 전용 HOD 모델 대비 군집 통계는 어느 정도 향상되는가?
• RQ5 심벌릭 회귀 분석은 시뮬레이션 데이터에서 물리적으로 의미 있는 HOD 식을 유추해 낼 수 있는가?

주요 결과

• 랜덤 포레스트 회귀 분석기는 평균 중앙 및 위성 은하 수를 성공적으로 예측했으며, IllustrisTNG 시뮬레이션에서 HOD를 높은 정밀도로 복원했다.
• 고질량 힐로 내 위성 은하는 비대칭적이고 과밀한 환경에 선호적으로 존재함을 보여, 강한 환경 의존성이 있음을 시사한다.
• 저질량 힐로 내 중앙 은하 역시 과밀하고 비대칭적인 환경을 선호함을 보여, 복잡한 형성 편향 효과가 있음을 시사한다.
• 환경 과밀도와 전단은 상호 간 약하게 상관되며, 힐로 질량과도 약하게 상관되어 있어, 모델링에 있어 독립적인 입력으로 적합하다.
• 환경 과밀도와 전단을 HOD 모델에 통합함으로써, z=0.0과 z=0.8에서 가중치 상관 함수와 스펙트럼 모두에서 군집 통계가 약 10% 향상되었다.
• AICc는 질량 전용 HOD보다 질량, 환경, 전단을 포함한 3매개변수 모델을 강하게 선호했으며, z=0.0에서 ΔAICc = 27.2, z=0.8에서 ΔAICc = 26.6로 통계적 유의성이 높음을 나타냈다.