DOI: https://doi.org/10.33232/001c.161920
تاريخ النشر: 2026-05-08
المؤلف: A. Alarcon وآخرون
الموضوع الرئيسي: المجرات: التكوين، التطور، الظواهر
نظرة عامة
في هذا القسم، يقدم المؤلفون DiffstarPop، وهو نموذج تفاضلي للأمام مصمم لتحليل تاريخ تشكيل النجوم (SFH) لكتل المجرات بالنسبة لتاريخ تجميع الكتلة (MAH) لظلال المادة المظلمة. يستخدم النموذج معلمات $\theta_{SFH}$ التي ترتبط مباشرة بالجوانب الفيزيائية لتشكيل المجرات، مثل كفاءة تشكيل النجوم وإيقافها. تم تصميم DiffstarPop لتكرار التوزيعات الإحصائية لتاريخ تشكيل النجوم في المجرات كما تم التنبؤ بها من خلال محاكاة مختلفة، بما في ذلك IllustrisTNG وGalacticus وUniverseMachine. يسمح التنفيذ، المتاح للجمهور في JAX، بتوليد عينات إحصائية من تاريخ تجميع المجرات، قادرة على إنتاج SFHs لـ $10^6$ مجرة في 1.1 ثانية CPU أو 0.03 ثانية GPU فقط.
يسلط المؤلفون الضوء على النتائج الرئيسية، موضحين أن DiffstarPop يمكنه استعادة التوزيعات بدقة لكتل النجوم $P(M_* | M_h, z)$ ومعدلات تشكيل النجوم المحددة $P(sSFR | M_*, z)$ عبر مجموعة واسعة من كتل الظلال والنجوم، فضلاً عن الانزياحات الحمراء. بالإضافة إلى ذلك، يقدمون نسخة محدثة من نموذج Diffstar التي تعزز كفاءة أوصاف تاريخ الكتلة النجمية ونسخة جديدة من نموذج Diffmah التي تتضمن معلمة $t_p$، التي تحدد الوقت الذي يتوقف فيه نمو الظلال. تعمل هذه التحديثات على تحسين ملاءمة تاريخ تراكم الكتلة، خاصة للظلال الفرعية ذات أوقات السقوط المبكرة، مما يقلل من التحيز والتشتت في النتائج. بشكل عام، تسهم التحسينات في نماذج Diffstar وDiffmah في تمثيل أكثر دقة لعمليات تجميع المجرات والظلال في المحاكاة الكونية.
مقدمة
ت outlines المقدمة أهمية النماذج النظرية التي تربط خصائص المجرات بظلالها من المادة المظلمة، والتي تعتبر ضرورية لتوقع تجمعات المجرات التي تم رصدها في المسوحات الكونية. تسلط الضوء على التحديات الحسابية التي تواجه هذه النماذج، والتي تتراوح بين محاكاة هيدروديناميكية كونية مفصلة تقدم تنبؤات فيزيائية غنية بتكاليف حسابية عالية، إلى نماذج تجريبية مثل توزيع احتلال الظلال (HOD) ودالة اللمعان الشرطي (CLF) التي تتطلب موارد حسابية أقل ولكن تعتمد على افتراضات مبسطة. تمثل النماذج شبه التحليلية (SAMs) نقطة وسط، حيث تقدم تنبؤات مفصلة بينما تكون أقل تكلفة من المحاكاة الهيدروديناميكية.
يناقش القسم أيضًا التقدم في البرمجة التفاضلية التي تحول النمذجة الكونية، مما يمكّن من استنتاج وتحسين فعالين بناءً على التدرجات. يتم تقديم DiffstarPop، وهو نموذج جديد للصلة الإحصائية بين تاريخ تجميع كتلة الظلال (MAH) وتاريخ تشكيل النجوم في المجرات (SFH)، كمساهمة رئيسية في الورقة. يستخدم DiffstarPop نهجًا بارامترًا بالكامل، يربط نمو المجرات مباشرةً بتاريخ MAH للظلال ويسمح بمعايرة قائمة على الفيزياء لربط المجرات والظلال. تهدف الورقة إلى اختبار مرونة DiffstarPop مقابل النماذج الرائدة في هذا المجال، مع توضيح هيكل الورقة من أجل الوضوح.
النتائج
في هذا القسم، يقدم المؤلفون نتائج من ملاءمة نموذج DiffstarPop لمجموعة متنوعة من دوال كثافة الاحتمال المستهدفة (PDFs) المتعلقة بتشكيل المجرات وتطورها. على وجه التحديد، يقومون بتحليل PDF الكتلة النجمية إلى الكتلة الظلال، \( P(M_* | M_h, z_{\text{obs}}) \)، وPDF معدل تشكيل النجوم المحدد، \( P(\text{sSFR} | M_*, z_{\text{obs}}) \)، عبر محاكاة مختلفة، بما في ذلك UniverseMachine وIllustrisTNG وGalacticus. تتضمن عملية الملاءمة تقليل مجموع متوسط الخطأ التربيعي بين PDFs المستهدفة والمتوقعة، مع تقديم منهجيات مفصلة في الملحق D.
توضح الأشكال 6 و7 فعالية نموذج DiffstarPop في التقاط العلاقة بين تشكيل النجوم في المجرات وتجميع كتلة الظلال عبر مجموعة من كتل الظلال (\( M_h(t_{\text{obs}}) = 10^{11} \, M_\odot – 10^{14.5} \, M_\odot \)) وكتل النجوم (\( M_*(t_{\text{obs}}) = 10^{9} \, M_\odot – 10^{11.5} \, M_\odot \)) للانزياحات الحمراء \( 0 \leq z \leq 3 \). تظهر النتائج أن DiffstarPop مرن بما يكفي لتقريب التوزيعات الإحصائية لتواريخ تشكيل النجوم في المجرات الملاحظة في هذه التجمعات المحاكية المتنوعة، كما تم تأكيده من خلال نتائج مماثلة مقدمة في الأشكال 8-11 للمحاكاة الأخرى.
نقاش
في هذا القسم، يقدم المؤلفون نموذج DiffstarPop، الذي تم تصميمه لتوليد تواريخ تشكيل النجوم في المجرات (SFHs) بناءً على مجموعات محاكية متنوعة، بما في ذلك تلك من محاكاة IllustrisTNG الهيدروديناميكية، ونموذج Galacticus شبه التحليلي، ونموذج UniverseMachine شبه التجريبي. يتم التحقق من صحة النموذج من خلال قدرته على إعادة إنتاج التوزيعات الإحصائية الرئيسية، وبشكل خاص دالة كثافة الاحتمال للكتلة النجمية إلى الكتلة الظلال (PDF)، \( P(M_* | M_h, z) \)، ودالة كثافة الاحتمال لمعدل تشكيل النجوم المحدد (sSFR) \( P(sSFR | M_*, z) \). يذكر المؤلفون أن DiffstarPop يحقق تباعد كولباك-ليبلر نموذجي يتراوح بين 0.01-0.02 لدوال PDF للكتلة النجمية و0.02-0.03 لدوال PDF لـ sSFR، مما يدل على توافق قوي مع المحاكاة عبر مجموعة من كتل الظلال والانزياحات الحمراء.
تكمن قوة النموذج في قدرته على التقاط تنوع تجمعات المجرات دون الاعتماد على تشتت عشوائي حول العلاقات المتوسطة. بدلاً من ذلك، يقوم بمعايرة التوزيعات الإحصائية الكاملة للمعلمات التي تحكم تجميع الظلال ومعدلات تشكيل النجوم في الموقع. يسمح هذا النهج لـ DiffstarPop ليس فقط بإعادة إنتاج العلاقات المتوسطة، مثل علاقة الكتلة النجمية إلى الكتلة الظلال، ولكن أيضًا لتعكس التنوع الواقعي الكوني لمسارات الظلال الفردية وتشكيل النجوم. يؤكد المؤلفون أن النموذج قادر على إنتاج تجمعات متسقة ذاتيًا من تواريخ تشكيل النجوم في المجرات يمكن تطبيقها على أشجار الاندماج من محاكاة N-body، مما يعزز فهمنا لتشكيل المجرات وتطورها في سياق كوني.
DOI: https://doi.org/10.33232/001c.161920
Publication Date: 2026-05-08
Author(s): A. Alarcon et al.
Primary Topic: Galaxies: Formation, Evolution, Phenomena
Overview
In this section, the authors introduce DiffstarPop, a differentiable forward model designed to analyze the star formation histories (SFH) of galaxy populations in relation to the mass assembly history (MAH) of dark matter halos. The model utilizes parameters $\theta_{SFH}$ that directly correlate with physical aspects of galaxy formation, such as star formation efficiency and quenching. DiffstarPop is structured to effectively replicate the statistical distributions of galaxy SFHs as predicted by various simulations, including IllustrisTNG, Galacticus, and UniverseMachine. The implementation, which is publicly available in JAX, allows for the generation of statistical samples of galaxy assembly histories, capable of producing SFHs for $10^6$ galaxies in just 1.1 CPU-seconds or 0.03 GPU-seconds.
The authors highlight key findings, demonstrating that DiffstarPop can accurately recover the distributions of stellar masses $P(M_* | M_h, z)$ and specific star formation rates $P(sSFR | M_*, z)$ across a broad range of halo and stellar masses, as well as redshifts. Additionally, they present an updated version of the Diffstar model that enhances the efficiency of stellar mass history descriptions and a new version of the Diffmah model that incorporates a parameter $t_p$, which marks the time when halo growth ceases. This update improves the fitting of mass accretion histories, particularly for subhalos with early infall times, thereby reducing bias and scatter in the results. Overall, the enhancements to Diffstar and Diffmah models contribute to a more accurate representation of galaxy and halo assembly processes in cosmological simulations.
Introduction
The introduction outlines the significance of theoretical models that link galaxy properties to their dark matter halos, which are essential for predicting galaxy populations observed in cosmological surveys. It highlights the computational challenges faced by these models, which range from detailed cosmological hydrodynamical simulations that provide rich physical predictions at high computational costs, to empirical models like Halo Occupation Distribution (HOD) and Conditional Luminosity Function (CLF) that are less computationally intensive but rely on simplifying assumptions. Semi-analytic models (SAMs) represent a middle ground, offering detailed predictions while being less expensive than hydrodynamical simulations.
The section also discusses advancements in differentiable programming that are transforming cosmological modeling, enabling efficient gradient-based inference and optimization. The introduction of DiffstarPop, a new model for the statistical connection between halo mass assembly history (MAH) and galaxy star formation history (SFH), is presented as a key contribution of the paper. DiffstarPop utilizes a fully parametric approach, linking galaxy growth directly to halo MAH and allowing for physics-based parameterization of the galaxy-halo connection. The paper aims to test the flexibility of DiffstarPop against leading models in the field, with the structure of the paper outlined for clarity.
Results
In this section, the authors present results from fitting the DiffstarPop model to various target probability density functions (PDFs) related to galaxy formation and evolution. Specifically, they analyze the stellar-to-halo-mass PDF, \( P(M_* | M_h, z_{\text{obs}}) \), and the specific star formation rate PDF, \( P(\text{sSFR} | M_*, z_{\text{obs}}) \), across different simulations, including UniverseMachine, IllustrisTNG, and Galacticus. The fitting process involves minimizing the summed mean squared error between the target and predicted PDFs, with detailed methodologies provided in Appendix D.
Figures 6 and 7 illustrate the effectiveness of the DiffstarPop model in capturing the relationship between galaxy star formation and halo mass assembly across a range of halo masses (\( M_h(t_{\text{obs}}) = 10^{11} \, M_\odot – 10^{14.5} \, M_\odot \)) and stellar masses (\( M_*(t_{\text{obs}}) = 10^{9} \, M_\odot – 10^{11.5} \, M_\odot \)) for redshifts \( 0 \leq z \leq 3 \). The results demonstrate that DiffstarPop is sufficiently flexible to approximate the statistical distributions of galaxy star formation histories observed in these diverse simulated populations, as further corroborated by analogous results presented in Figures 8-11 for the other simulations.
Discussion
In this section, the authors present the DiffstarPop model, which is designed to generate galaxy star formation histories (SFHs) based on various simulated populations, including those from the IllustrisTNG hydrodynamical simulation, the Galacticus semi-analytic model, and the UniverseMachine semi-empirical model. The model is validated by its ability to reproduce key statistical distributions, specifically the stellar-to-halo-mass probability density function (PDF), \( P(M_* | M_h, z) \), and the specific star formation rate (sSFR) PDF, \( P(sSFR | M_*, z) \). The authors report that DiffstarPop achieves a typical Kullback-Leibler divergence of 0.01-0.02 for the stellar mass PDFs and 0.02-0.03 for the sSFR PDFs, indicating a strong agreement with the simulations across a range of halo masses and redshifts.
The model’s strength lies in its ability to capture the diversity of galaxy populations without relying on random scatter around mean relations. Instead, it parametrizes the full statistical distributions of parameters governing halo assembly and in-situ star formation rates. This approach allows DiffstarPop to not only reproduce mean scaling relations, such as the stellar-to-halo mass relation, but also to reflect the cosmologically realistic diversity of individual halo and star formation trajectories. The authors emphasize that the model is capable of producing self-consistent populations of galaxy SFHs that can be applied to merger trees from N-body simulations, thereby enhancing our understanding of galaxy formation and evolution in a cosmological context.