A deep-learning algorithm to disentangle self-interacting dark matter and AGN feedback models

不同的暗物质模型可以以各种方式改变星系团中质量的分布，但不确定的天体物理反馈机制也可以这样做。在这里，我们提出了一种机器学习方法，该方法“学习”暗物质自相互作用的影响与天体物理反馈的区别，以打破这种退化并对暗物质进行推断。我们在流体动力学模拟的星系团图像上训练了一个卷积神经网络。在理想情况下，我们的算法在识别星系团是否含有无碰撞暗物质、${\sigma}_{\rm DM}/m = 0.1$cm$^2/$g或${\sigma}_{DM}/m = 1$cm$^2$/g方面的准确率达到80%。虽然我们发现添加X射线发射率图并不能提高区分碰撞暗物质的性能，但它确实提高了分离不同天体物理反馈模型的能力。我们添加噪声以模拟来自欧几里得和钱德拉的预期数据，并发现我们的模型具有<0.01cm$^2$/g的统计误差，并且我们的算法对形状测量偏差和光度红移误差不敏感。这种方法代表了一种新的分析未来望远镜数据的方式，其精度是现有方法的一个数量级，速度则快得多，使我们能够前所未有地探索暗物质参数空间。

论文旨在利用机器学习方法区分暗物质自相互作用和天体物理反馈对星系团质量分布的影响，以便更好地研究暗物质性质。

文中使用卷积神经网络对来自流体动力学模拟的星系团图像进行训练，以区分不同的暗物质模型和天体物理反馈机制，并发现添加X射线发射图可以提高区分不同天体物理反馈模型的能力。

实验结果表明，该算法在理想情况下的准确率为80％，在添加X射线发射图后可以更好地区分不同的天体物理反馈模型。该算法对形状测量偏差和光度红移误差不敏感，并且在噪声下具有小于0.01cm²/g的统计误差。该方法是一个新的数据分析方法，比传统方法快几个数量级，可以更好地探索暗物质参数空间。

在这个领域中，最近的相关研究包括“Deep Learning for Dark Matter Detection in Galaxy Cluster Images”和“Machine learning for dark matter haloes: the connect the dots approach”。