用机器学习从星系运动推断星系团质量，更准且可信。
Set-based Implicit Likelihood Inference of Galaxy Cluster Mass
- 结合位置与速度信息，用深度集合+条件流模型预测质量修正
- 在全质量范围内降低散射，不确定性校准更优
- 适合天体物理中需要高精度质量估计的研究者
我们提出一种基于集合的机器学习框架，从投影星系动力学推断星系团质量的后验分布。模型融合深度集合与条件归一化流，同时利用成员星系的位置和速度信息，预测对$M$-$σ$关系的残差修正，提升可解释性。在Uchuu-UniverseMachine模拟数据上训练后，相比传统动力学估计，该方法显著降低全质量范围内的散射，并提供校准良好的不确定性。
原文摘要 · Abstract (English)
We present a set-based machine learning framework that infers posterior distributions of galaxy cluster masses from projected galaxy dynamics. Our model combines Deep Sets and conditional normalizing flows to incorporate both positional and velocity information of member galaxies to predict residual corrections to the $M$-$σ$ relation for improved interpretability. Trained on the Uchuu-UniverseMachine simulation, our approach significantly reduces scatter and provides well-calibrated uncertainties across the full mass range compared to traditional dynamical estimates.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。