ERGO-ML: A continuous organization of the X-ray galaxy cluster population in TNG-Cluster with contrastive learning

技術概要：ERGO-ML：TNG-Cluster における対比学習を用いた X 線銀河団集団の連続的組織化

問題提起
銀河団内物質（ICM）の物理的性質は、重力ポテンシャル、合体、超新星および超大質量ブラックホール（SMBH）からのフィードバックの痕跡を符号化している。伝統的に、銀河団は要約統計量（例えば、ハロー質量、X 線光度、クールコア状態）または半径方向プロファイルを用いて特徴付けられてきた。しかし、複雑な 2 次元 X 線画像をスカラー指標に還元することは、重要な情報内容を廃棄し、スケーリング関係における散らばりを導入する。さらに、X 線放射から物理状態を推論することは、冷却チャネルの複雑さ、非熱的プロセス、そして可変的な空間分解能や露光時間といった機器の制限に起因して困難である。機械学習、特に畳み込みニューラルネットワーク（CNN）は銀河団の質量を推論するために適用されてきたが、これらのモデルはしばしば回転、並進、ダイナミックレンジといった一般的な天文学的変換に対する不変性を欠き、集団を連続的で解釈可能な空間に自然に組織化しない。

手法
著者らは、銀河団の X 線放射マップの低次元表現空間を構築するために、最近傍対比学習（NNCLR）を採用する。本研究は、352 の大質量銀河団（$M_{200c} \ge 10^{14.3} M_\odot$）の宇宙論的磁気流体力学（MHD）シミュレーションである TNG-Cluster スイートを利用する。

• データ生成: 内在的な X 線放射マップは、赤方偏移範囲 $0 \le z < 1$ 内の 8 つのスナップショットにおいて、352 の銀河団に対して生成された。投影は 3 つの直交軸（$\hat{x}, \hat{y}, \hat{z}$）に沿って行われ、約 8,000 枚の画像からなるデータセットが得られた。各マップは $4R_{200c}$ の視野と $2R_{200c}$ の視線方向の深さをカバーし、中央 10% における 99 パーセンタイルのピクセルが 1 になるように正規化されている。
• 拡張戦略: 学習された表現が観測的変動に対して不変であることを保証するため、トレーニングパイプラインは以下のランダムな拡張を適用する。
  • 幾何学的変換：ズーム（最大 10%）、回転（$\pm 90^\circ$）、アフィン並進（最大 25%）、および反転。
  • 光度/機器効果：ガウスぼかし（点像分布関数の変動をシミュレート）、ガウスノイズ、および強度クリッピング（可変的な露光時間と表面輝度限界をシミュレート）。
• アーキテクチャ: 拡張された画像は、特徴抽出器として機能する残差ネットワーク（ResNet）を介して処理される。ネットワークは入力を変換空間にマッピングする。著者らは埋め込み次元（$N=2$ から $256$）を実験し、デフォルトとして$N=8$ を選択した。
• 損失関数: NNCLR アルゴリズムは、拡張されたビューの埋め込みと「サポートセット」内のその最近傍（正のペア）との距離を最小化し、負のペア（異なる画像の埋め込み）との距離を最大化する。
• 可視化と分析: 高次元の埋め込みは、可視化のために一様多様体近似および投影（UMAP）を用いて 2 次元に射影される。著者らは、この空間内の物理的性質（質量、合体時間、SMBH 活動、力学的状態指標）の分布を分析し、UMAP 座標への単純な線形フィッティングを通じてこれらの性質を予測する能力をテストする。

主要な貢献と結果

1. 連続的表現空間: NNCLR 法は、X 線マップを離散的なクラスターではなく連続的な分布に組織化することに成功した。2 次元 UMAP 可視化は、滑らかな遷移を明らかにする。
   • 明確に分離した成分を持つ合体システム（マップの上部）から、緩和された孤立した天体（下部）へ。
   • 平坦な放射プロファイル（左下）から、中心にピークを持つ（尖った）プロファイル（右下）へ。
   • この表現は、赤方偏移、ハロー質量、ガス/恒星/SMBH 質量、最後の主要合体からの時間、および力学的状態指標との傾向を捉える。
2. 観測効果への不変性: クリッピングとぼかしの拡張の組み込みにより、表現が堅牢であることが保証される。本研究は、異なる露光時間または空間分解能を持つ銀河団（Chandra と eROSITA などの機器をシミュレート）が、基礎となる物理構造が類似している場合、表現空間内の同様の領域を占めることを示している。
3. 性質の予測:
   • 高い精度: 質量関連の性質（ハロー質量、恒星質量、ガス質量、SMBH 質量）および瞬間的なブラックホール降着率（BHAR）は、2 次元 UMAP 座標から数パーセントの誤差（線形フィッティング）で予測可能である。
   • 中程度の精度: 最後の主要合体からの時間は、1 桁の範囲内で予測される。
   • 限界: クールコア指標および最も明るい銀河団銀河（BCG）合体からの時間は、グローバルな表現によってよく予測されない。著者らはこれをトレーニング画像の分解能に起因すると帰しており、コアスケールの特性（$\sim 0.01-2$ ピクセル）が過小サンプリングされている可能性がある。
4. アナログの検出: 表現空間は、視覚的なアナログの同定を可能にする。埋め込み空間におけるターゲット銀河団の 5 つの最近傍は、一般的な集団よりも物理的性質および形態的状態（例えば、合体対緩和）をより密接に共有する。この手法は、投影効果により合体の視覚的外観を捉えられない可能性がある質量比や衝突パラメータといった合体ツリーパラメータのみに基づく従来の検索よりも優れている。

意義と主張
本論文は、対比学習が要約統計量を必要とせずに、銀河団を画像から直接特徴付けるための強力なツールであると主張する。集団を連続的な低次元多様体に組織化することで、この手法は以下を可能にする。

• 宇宙論的流体力学シミュレーションを用いた物理的性質および形成史に関する制約の導出。
• 因果関係を示唆する可能性のある物理的性質間の相関の同定。
• 機器固有の制限を考慮したモック上でトレーニングすることにより、将来の観測サーベイ（eROSITA、Athena など）に適用可能な堅牢な枠組み。

著者らは、現在の分析は理想化されたシミュレーションを使用しているが、手法は機器効果を含まれた現実的なモック上でモデルがトレーニングされる限り、実際の観測へ転送可能になるように設計されていることを強調する。この研究は、ERGO-ML シリーズの基盤として機能し、自己教師あり学習が複雑な天体物理学的画像から意味のある物理的情報を抽出できることを実証している。