[论文解读] The eROSITA Final Equatorial-Depth Survey (eFEDS): A Machine Learning Approach to Infer Galaxy Cluster Masses from eROSITA X-ray Images

Sven Krippendorf, Nicolás Barón Pérez+16 more|arXiv (Cornell University)|Apr 28, 2023

Galaxies: Formation, Evolution, Phenomena被引用 4

一句话总结

本文提出了一种基于卷积神经网络（CNN）的新方法，直接从eROSITA X射线图像中估计星系团质量，使用模拟数据并整合红移和能量分辨光子信息。该方法实现了与弱引力透镜质量一致的低散射结果，支持不确定性量化，并将质量估计扩展至低质量星系群（低至$10^{13}M_{\odot}$），且无需依赖外部弱引力透镜校准。

ABSTRACT

We develop a neural network based pipeline to estimate masses of galaxy clusters with a known redshift directly from photon information in X-rays. Our neural networks are trained using supervised learning on simulations of eROSITA observations, focusing in this paper on the Final Equatorial Depth Survey (eFEDS). We use convolutional neural networks which are modified to include additional information of the cluster, in particular its redshift. In contrast to existing work, we utilize simulations including background and point sources to develop a tool which is usable directly on observational eROSITA data for an extended mass range from group size halos to massive clusters with masses in between $10^{13}M_\odot

研究动机与目标

• 开发一种机器学习流程，直接从eROSITA X射线光子数据中估计星系团质量，避免依赖弱引力透镜或预处理特征。
• 利用真实模拟数据，将质量估计扩展至低质量晕（$10^{13}M_{\odot}$）和高红移星系团（$z<1.3$）。
• 将能量分辨光子信息和红移作为输入特征，提升模型的灵活性与物理相关性。
• 通过在训练中使用基于似然的损失函数，为宇宙学应用提供可靠的不确定性估计。
• 通过确保对不同曝光深度的鲁棒性，使模型可直接应用于即将开展的eROSITA全天 Survey 数据。

提出的方法

• 使用来自eFEDS调查的模拟eROSITA观测数据，通过监督学习训练一种改进的卷积神经网络（CNN），输入图像包含空间和能量分辨的光子计数。
• 模型输入包括X射线谱中的十个能量波段和星系团红移，使网络能够学习与能量相关的特征（如温度分布）。
• 训练数据包含真实的背景和点源（如AGN），使模型无需预先过滤源即可泛化至真实观测数据。
• 采用基于似然的损失函数，不仅预测质量估计值，还输出相关不确定性，这对宇宙学推断至关重要。
• 将模型在eFEDS样本的弱引力透镜质量上进行评估，并与传统的基于亮度或计数率的标定关系进行比较。

实验结果

研究问题

• RQ1 在模拟的eROSITA数据上训练的深度学习模型，能否直接从原始X射线光子图像（包含能量与空间信息）中准确估计星系团质量？
• RQ2 与基于亮度或计数率的传统标定关系相比，该基于机器学习的质量估计器在散射和偏差方面表现如何？
• RQ3 该模型能否在不引入显著偏差的情况下可靠估计低质量星系群（$M \sim 10^{13}M_{\odot}$）的质量？
• RQ4 与仅使用强度输入相比，包含红移和能量分辨光子数据是否能提升质量估计的准确性？
• RQ5 该模型能否为宇宙学应用提供有意义的不确定性估计？与标准校准方法相比表现如何？

主要发现

• 神经网络相对于弱引力透镜质量的估计散射约为10%，展示了在不使用外部弱引力透镜数据情况下的优异性能。
• 该方法成功估计了低至$10^{13}M_{\odot}$的星系团质量，且在该质量区间无显著偏差，显著扩展了宇宙学中可用的星系团样本。
• 通过能量分箱图像引入能量分辨光子信息，使模型能够隐式学习与温度相关的特征，提升了物理一致性。
• 使用基于似然的损失函数使模型能够输出可靠的不确定性估计，这对宇宙学中星系团丰度研究至关重要。
• 在散射方面，该方法优于传统的基于亮度或计数率的标定关系，尤其在低质量与高红移区域表现更优。
• 只要在未来模型适配中考虑曝光深度的变化，该方法可直接应用于即将开展的eROSITA全天 Survey。