Der starke Gravitationslinseneffekt ist ein leistungsstarkes Werkzeug zur Erforschung der Natur von
dunkle Materie, da Linsensignale empfindlich auf die Unterstruktur der Dunklen Materie reagieren
innerhalb der Linsengalaxie. Wir präsentieren eine vergleichende Analyse von Strong
Gravitationslinsensignaturen, die von Subhalopopulationen dunkler Materie erzeugt werden
mit zwei unterschiedlichen Ansätzen. Der erste Ansatz modelliert Subhalos mithilfe eines
empirisches Modell, während der zweite das halbanalytische Modell von Galacticus verwendet
Subhalo-Evolution. Miteinander ausgehen, Nur empirische Ansätze waren bisher praktikabel
die Analyse von Linsensystemen, wie die Einbeziehung vollständig physikalischer Modelle war
rechnerisch nicht durchführbar. Um dies zu umgehen, Wir nutzen eine generative Maschine
Lernalgorithmus, bekannt als normalisierender Fluss, zu lernen und zu reproduzieren
Subhalo-Populationen, die von Galacticus erzeugt wurden. Wir zeigen, dass die
Der normalisierende Strömungsalgorithmus reproduziert den Galacticus-Subhalo genau
Verteilung bei gleichzeitiger erheblicher Reduzierung der Rechenzeit im Vergleich zur direkten Verteilung
Simulation. Darüber hinaus, Wir stellen fest, dass Subhalo-Populationen von Galacticus produzieren
vergleichbare Ergebnisse mit dem empirischen Modell bei der Replikation der beobachteten Linsenwirkung
Signale unter dem Referenzmodell der Dunklen Materie. Diese Arbeit beleuchtet die
Potenzial maschineller Lerntechniken zur Beschleunigung der Astrophysik
Simulationen und Verbesserung von Modellvergleichen der Eigenschaften dunkler Materie.

Dieser Artikel untersucht Zeitreisen und deren Auswirkungen.

PDF herunterladen: