استنتاج كتلة الهالات باستخدام الشبكات العصبية الرسومية

إن فهم العلاقة بين الهالات (halos) والكواكب (galaxies) يُعد أساسياً لتحسين معرفتنا بطبيعة وخصائص المادة المظلمة. في هذه الدراسة، نُنشئ نموذجاً يستنتج كتلة الهالة بناءً على موضع المجرات، وسرعاتها، وكتلها النجمية، ونصف قطرها. ولالتقاط المعلومات المتوفرة من الترابطات بين خصائص المجرات وخصائص فضاء الطور (phase-space)، نستخدم شبكات العصبونات الرسومية (Graph Neural Networks - GNNs)، التي صُممت خصيصاً للتعامل مع البيانات غير المنتظمة والنادرة. نُدرّب نماذجنا على بيانات مجرات مستمدة من أكثر من 2000 محاكاة متطورة من مشروع "الكونيات والفيزياء الفلكية باستخدام التعلم الآلي في المحاكاة" (CAMELS). ويُظهر نموذجنا، الذي يأخذ بعين الاعتبار عدم اليقين الكوني والفيزيائي، قدرة على تقييد كتلة الهالات بدقة تبلغ حوالي 0.2 ديسيمال (dex). بالإضافة إلى ذلك، تُظهر الشبكة الرسومية العصبية (GNN) التي تم تدريبها على مجموعة من المحاكاة قدرة جزئية على الحفاظ على دقتها عند اختبارها على محاكاة تعمل برمز مختلف ويستخدم نموذجاً مختلفاً للفيزياء على المستوى الفرعي (subgrid physics)، مما يدل على متانة وموثوقية طريقة التحليل المتبعة. ويتوفر تنفيذ الشبكة الرسومية العصبية باستخدام مكتبة PyTorch Geometric على موقع GitHub عبر الرابط التالي: https://github.com/PabloVD/HaloGraphNet