[论文解读] Augmenting astrophysical scaling relations with machine learning: application to reducing the Sunyaev-Zeldovich flux-mass scatter

Digvijay Wadekar, Leander Thiele+8 more|arXiv (Cornell University)|Jan 4, 2022

Geophysics and Gravity Measurements被引用 5

一句话总结

该论文提出了一种基于机器学习的星系团质量代理量 $ Y_{\text{conc}} \propto Y_{\text{SZ}}^{3/5}(1 - A\,c_{\text{gas}}) $，结合了太阳-泽尔多维奇效应通量与气体浓度，利用IllustrisTNG模拟中的符号回归方法，使大质量星系团（$ M_{200c} \gtrsim 10^{14}\,h^{-1}\,M_\odot $）的质量估计散差降低了20–30%。该方法可提升未来宇宙微波背景辐射与X射线巡天的宇宙学推断精度。

ABSTRACT

Complex astrophysical systems often exhibit low-scatter relations between observable properties (e.g., luminosity, velocity dispersion, oscillation period). These scaling relations illuminate the underlying physics, and can provide observational tools for estimating masses and distances. Machine learning can provide a fast and systematic way to search for new scaling relations (or for simple extensions to existing relations) in abstract high-dimensional parameter spaces. We use a machine learning tool called symbolic regression (SR), which models patterns in a dataset in the form of analytic equations. We focus on the Sunyaev-Zeldovich flux$-$cluster mass relation ($Y_\mathrm{SZ}-M$), the scatter in which affects inference of cosmological parameters from cluster abundance data. Using SR on the data from the IllustrisTNG hydrodynamical simulation, we find a new proxy for cluster mass which combines $Y_\mathrm{SZ}$ and concentration of ionized gas ($c_\mathrm{gas}$): $M \propto Y_\mathrm{conc}^{3/5} \equiv Y_\mathrm{SZ}^{3/5} (1-A\, c_\mathrm{gas})$. $Y_\mathrm{conc}$ reduces the scatter in the predicted $M$ by $\sim 20-30$\% for large clusters ($M\gtrsim 10^{14}\, h^{-1} \, M_\odot$), as compared to using just $Y_\mathrm{SZ}$. We show that the dependence on $c_\mathrm{gas}$ is linked to cores of clusters exhibiting larger scatter than their outskirts. Finally, we test $Y_\mathrm{conc}$ on clusters from CAMELS simulations and show that $Y_\mathrm{conc}$ is robust against variations in cosmology, subgrid physics, and cosmic variance. Our results and methodology can be useful for accurate multiwavelength cluster mass estimation from upcoming CMB and X-ray surveys like ACT, SO, eROSITA and CMB-S4.

研究动机与目标

• 降低当前限制宇宙学参数推断的太阳-泽尔多维奇效应通量-质量（$ Y_{\text{SZ}}-M $）关系中的散差。
• 发现传统幂律关系难以通过人工分析识别的非线性、多变量扩展形式。
• 开发一种稳健且具有物理解释性的质量代理量，利用多波段观测数据提升星系团质量估计精度。
• 利用CAMELS模拟套件在不同宇宙学与亚网格物理条件下验证新代理量的性能。
• 为未来CMB与X射线巡天（如ACT、SO、eROSITA与CMB-S4）提供更精确的质量估计能力。

提出的方法

• 应用符号回归（SR）以识别能最小化高维天体物理数据中星系团质量预测散差的解析非线性函数形式。
• 使用IllustrisTNG流体动力学模拟，以 $ Y_{\text{SZ}} $、星系团质量与气体浓度（$ c_{\text{gas}} $）作为关键变量，训练并验证符号回归模型。
• 提出一种新质量代理量：$ Y_{\text{conc}}^{3/5} \equiv Y_{\text{200c}}^{3/5}(1 - A\,c_{\text{gas}}) $，其中 $ A $ 为拟合常数，用于捕捉SZ通量与核心气体结构的联合影响。
• 与仅使用 $ Y_{\text{SZ}} $ 的基线模型及引入额外参数的随机森林回归器进行性能对比。
• 在CAMELS模拟套件中测试 $ Y_{\text{conc}} $ 的鲁棒性，该套件涵盖宇宙学参数、反馈模型与宇宙方差的变化。
• 通过切除星系团核心区域，分析散差的空间依赖性，以隔离核心区域在增加不确定性中的作用。

实验结果

研究问题

• RQ1 机器学习能否识别出能降低质量预测散差的非线性、多变量扩展形式，以改进 $ Y_{\text{SZ}}-M $ 关系？
• RQ2 与仅使用 $ Y_{\text{SZ}} $ 相比，引入气体浓度（$ c_{\text{gas}} $）如何提升星系团质量估计的准确性？
• RQ3 所提出的 $ Y_{\text{conc}} $ 代理量在不同宇宙学与亚网格物理条件下是否具有鲁棒性？
• RQ4 散差降低的物理机制是什么，特别是在星系团核心区域？
• RQ5 符号回归方法是否可推广至改进其他广泛使用的天体物理标度关系？

主要发现

• 与仅使用 $ Y_{\text{SZ}} $ 相比，新代理量 $ Y_{\text{conc}}^{3/5} \equiv Y_{\text{200c}}^{3/5}(1 - A\,c_{\text{gas}}) $ 在大质量星系团（$ M_{200c} \gtrsim 10^{14}\,h^{-1}\,M_\odot $）中使质量预测散差降低了约20–30%。
• 该改进在星系团核心区域最为显著，该区域因噪声较高与物理过程复杂，导致仅使用 $ Y_{\text{SZ}} $ 的估计散差更大。
• 切除星系团核心区域后，基于 $ Y_{\text{SZ}} $ 的质量估计散差降低，证实核心物理是散差的主要来源。
• $ Y_{\text{conc}} $ 代理量在CAMELS模拟套件中表现稳健，无论宇宙学参数、反馈模型或宇宙方差如何变化，性能均保持一致。
• 符号回归成功识别出一种具有物理解释性的解析形式，其性能优于仅使用 $ Y_{\text{SZ}} $ 或引入额外参数的随机森林模型。
• 该方法在改进其他天体物理标度关系（如星系、恒星与系外行星）方面具有广泛应用潜力。