La forte lente gravitazionale è un potente strumento per sondarne la natura
materia oscura, poiché i segnali di lente sono sensibili alla sottostruttura della materia oscura
all'interno della galassia lente. Presentiamo un'analisi comparativa di strong
tracce di lente gravitazionale generate dalle popolazioni del subalone di materia oscura
utilizzando due approcci diversi. Il primo approccio modella i subhalos utilizzando an
modello empirico, mentre il secondo impiega il modello semi-analitico di Galacticus
evoluzione del subalone. Ad oggi, solo gli approcci empirici sono stati pratici
l'analisi dei sistemi di lenti, come lo era l’incorporazione di modelli completamente fisici
computazionalmente irrealizzabile. Per aggirare questo problema, utilizziamo una macchina generativa
algoritmo di apprendimento, noto come flusso normalizzante, imparare e riprodurre il
popolazioni subalone generate da Galacticus. Dimostriamo che il
l'algoritmo di normalizzazione del flusso riproduce accuratamente il subhalo di Galacticus
distribuzione riducendo significativamente il tempo di calcolo rispetto a quello diretto
simulazione. Inoltre, troviamo che le popolazioni subalone di Galacticus producono
risultati comparabili al modello empirico nel replicare il lensing osservato
segnali secondo il modello fiduciale della materia oscura. Questo lavoro evidenzia il
potenziale delle tecniche di machine learning nell’accelerazione astrofisica
simulazioni e miglioramento dei confronti tra modelli delle proprietà della materia oscura.

Questo articolo esplora i giri e le loro implicazioni.

Scarica PDF: