La lentille gravitationnelle forte est un outil puissant pour sonder la nature de
matière noire, car les signaux de lentille sont sensibles à la sous-structure de la matière noire
dans la galaxie lentille. Nous présentons une analyse comparative des fortes
signatures de lentilles gravitationnelles générées par les populations de sous-halo de matière noire
en utilisant deux approches différentes. La première approche modélise les sous-halos en utilisant un
modèle empirique, tandis que le second utilise le modèle semi-analytique Galacticus de
évolution du sous-halo. À ce jour, seules les approches empiriques ont été pratiques dans
l'analyse des systèmes de lentilles, car l'intégration de modèles entièrement physiques était
informatiquement irréalisable. Pour contourner cela, nous utilisons une machine générative
algorithme d'apprentissage, connu sous le nom de flux normalisateur, apprendre et reproduire le
populations de subhalo générées par Galacticus. Nous démontrons que le
l'algorithme de normalisation du flux reproduit avec précision le sous-halo du Galacticus
distribution tout en réduisant considérablement le temps de calcul par rapport à la distribution directe
simulation. De plus, nous constatons que les populations de subhalo du Galacticus produisent
résultats comparables au modèle empirique dans la réplication des lentilles observées
signaux selon le modèle fiduciaire de la matière noire. Ce travail met en lumière
potentiel des techniques d’apprentissage automatique pour accélérer les études astrophysiques
simulations et amélioration des comparaisons de modèles des propriétés de la matière noire.

Cet article explore les excursions dans le temps et leurs implications.

Télécharger PDF: