[论文解读] Modeling the galaxy-halo connection with machine learning

Ana María Delgado, Digvijay Wadekar+4 more|arXiv (Cornell University)|Nov 3, 2021

Galaxies: Formation, Evolution, Phenomena被引用 5

一句话总结

本文提出了一种结合机器学习的晕占有分布（HOD）模型，通过引入次级晕属性——特别是环境密度和剪切——以及晕质量，提升了星系聚类预测的准确性。基于IllustrisTNG模拟，利用随机森林回归器与符号回归，该方法在聚类统计量上相比仅依赖质量的标准HOD模型实现了10%的性能提升，显著增强了宇宙学巡天的预测精度。

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.

研究动机与目标

• 识别在流体动力学模拟中，除质量外对星系-晕关联建模最具准确性的次级晕属性。
• 开发一种灵活且可解释的HOD模型，利用机器学习整合这些次级参数。
• 通过减少模拟与模型之间星系分布的差异，改进星系聚类预测。
• 评估环境与结构晕属性在塑造星系占有行为中的统计显著性。
• 为即将开展的大规模巡天提供一种可扩展、数据驱动的星系组装偏差建模框架。

提出的方法

• 使用包含质量、浓度、角动量、环境与剪切等晕属性的训练集，对随机森林回归器进行训练，以预测星系数并识别最具影响力的次级参数。
• 应用符号回归，推导出简洁且可解释的方程，将最具有预测力的次级参数（特别是环境密度与剪切）纳入标准HOD模型。
• 由于中心星系与卫星星系对晕属性的依赖关系不同，模型分别针对两类星系进行训练。
• 通过聚类统计量（加权相关函数与物质功率谱）评估模型性能，并与完整的IllustrisTNG模拟结果进行对比。
• 最终的HOD模型将质量、局部环境密度与剪切整合为解析表达式，显著提升了预测准确性。
• 使用校正的赤池信息准则（AICc）进行模型选择，偏好包含更多物理解释参数的模型。

实验结果

研究问题

• RQ1 在流体动力学模拟中，除质量外，哪些次级晕属性最显著地提升星系占有预测？
• RQ2 机器学习能否识别晕属性与星系数之间非线性、高维的依赖关系？
• RQ3 环境密度与剪切如何影响不同质量晕中星系的分布？
• RQ4 与仅依赖质量的HOD模型相比，引入环境与结构参数在多大程度上改善了聚类统计量？
• RQ5 符号回归能否从模拟数据中生成可解释且具有物理动机的HOD方程？

主要发现

• 随机森林回归器成功预测了中心星系与卫星星系的平均星系数，以高保真度恢复了IllustrisTNG模拟中的HOD。
• 在高质量晕中，卫星星系更倾向于位于各向异性和高密度环境中，表明其具有强烈的环境依赖性。
• 低质量晕中的中心星系同样表现出对更密集、各向异性环境的偏好，提示存在非平凡的组装偏差效应。
• 环境密度与剪切之间相关性较弱，且与晕质量的相关性也较弱，使其适合作为独立建模输入。
• 在z=0.0与z=0.8时，将环境密度与剪切纳入HOD模型，使加权相关函数与功率谱的聚类统计量均提升了约10%。
• AICc显著偏好三参数模型（质量、环境、剪切）而非仅质量的HOD模型，z=0.0时ΔAICc = 27.2，z=0.8时ΔAICc = 26.6，表明具有高度统计显著性。