Ariel G. Sánchez

该工作提出并验证了一条混合流水线：先用三维卷积神经网络（基于 D3M 的 VNet 架构，输入位移与速度共 6 通道）把每个模拟粒子二分类为晕成员或非晕成员，再用高度并行化的 Friends-of-Friends 算法把预测为晕成员的粒子聚成独立暗物质晕；训练数据由 GADGET-4 生成、以 ROCKSTAR 结果作标签，在最高分辨率 L100-N1283 配置下粒子分类各项主要指标均超过 98%，最终晕表纯度总体超过 95%、在 5×10¹¹ M⊙ 以上完备度稳定在约 93%，晕质函数与参考结果一致到 5% 以内，并忠实重建内部密度剖面，相对 ROCKSTAR 取得约一个数量级的加速。

该工作提出并验证了一条混合流水线：先用三维卷积神经网络（基于 D3M 的 VNet 架构，输入位移与速度共 6 通道）把每个模拟粒子二分类为晕成员或非晕成员，再用高度并行化的 Friends-of-Friends 算法把预测为晕成员的粒子聚成独立暗物质晕；训练数据由 GADGET-4 生成、以 ROCKSTAR 结果作标签，在最高分辨率 L100-N1283 配置下粒子分类各项主要指标均超过 98%，最终晕表纯度总体超过 95%、在 5×10¹¹ M⊙ 以上完备度稳定在约 93%，晕质函数与参考结果一致到 5% 以内，并忠实重建内部密度剖面，相对 ROCKSTAR 取得约一个数量级的加速。