Emulating dark matter halo merger trees with graph generative models
Notice bibliographique
Résumé
ABSTRACT Merger trees track the hierarchical assembly of dark matter haloes across cosmic time and serve as essential inputs for semi-analytic models (SAMs) of galaxy formation. However, conventional methods for constructing merger trees rely on ad-hoc assumptions and are unable to incorporate environmental information. Nguyen et al. introduced florah, a generative model based on recurrent neural networks and normalizing flows, for modelling main progenitor branches of merger trees. In this work, we extend this model, now referred to as florah-tree, to generate complete merger trees by representing them as graph structures that capture the full branching hierarchy. We trained florah-tree on merger trees extracted from the Very Small MultiDark Planck cosmological N-body simulation. To validate our approach, we compared the generated merger trees with both the original simulation data and with semi-analytic trees produced using the Extended Press–Schechter (EPS) formalism. We show that florah-tree accurately reproduces key merger rate statistics across a wide range of mass and redshift, outperforming the conventional EPS-based approach. We demonstrate its utility by applying the Santa Cruz SAM to generated trees and showing that the resulting galaxy–halo scaling relations, such as the stellar-to-halo-mass relation and supermassive black hole mass–halo mass relation, closely match those from applying the SAM to trees extracted directly from the simulation. florah-tree provides a computationally efficient method for generating merger trees that maintain the statistical fidelity of N-body simulations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».