Ram pressure (RP) can influence the evolution of cold gas content and star formation rates of galaxies. One of the key parameters for the strength of RP is the density of intra-group medium ($\rho_{\rm igm}$), which is difficult to estimate if the X-ray emission from it is too weak to be observed. We propose a new way to constrain $\rho_{\rm igm}$ through an application of convolutional neural networks (CNNs) to simulated gas density and kinematic maps galaxies under strong RP. We train CNNs using $9\times{}10^4$ 2D images of galaxies under various RP conditions, then validate performance with $10^4$ new test images. This new method can be applied to real observational data from ongoing WALLABY and SKA surveys to quickly obtain estimates of $\rho_{\rm igm}$. Simulated galaxy images have $1.0$ kpc resolution, which is consistent with that expected from the future WALLABY survey. The trained CNN models predict the normalised IGM density, $\hat{\rho}_{\rm igm}$ where $0.0 \le \hat{\rho}_{\rm igm, n} < 10.0$, accurately with root mean squared error values ($\rm RMSE$) of $0.72$, $0.83$ and $0.74$ for the density, kinematic and joined 2D maps, respectively. Trained models are unable to predict the relative velocity of galaxies with respect to the IGM ($v_{\rm rel}$) precisely, and struggle to generalise for different RP conditions. We apply our CNNs to the observed HI column density map of NGC 1566 in the Dorado group to estimate its IGM density.

中文翻译：

---

一种用卷积神经网络约束星系群内群内介质密度的新方法

冲压压力（RP）可以影响冷气体含量的演化和星系的恒星形成率。RP 强度的关键参数之一是组内介质的密度 ($\rho_{\rm igm}$)，如果从它发出的 X 射线太弱而无法观察，则很难估计。我们提出了一种新的方法来约束 $\rho_{\rm igm}$，通过将卷积神经网络 (CNN) 应用于模拟气体密度和强 RP 下的运动学映射星系。我们在各种 RP 条件下使用 $9\times{}10^4$ 的星系 2D 图像训练 CNN，然后使用 $10^4$ 的新测试图像验证性能。这种新方法可以应用于正在进行的 WALLABY 和 SKA 调查的真实观测数据，以快速获得 $\rho_{\rm igm}$ 的估计值。模拟星系图像具有 $1.0$ kpc 分辨率，这与未来 WALLABY 调查的预期一致。训练好的 CNN 模型预测归一化的 IGM 密度，$\hat{\rho}_{\rm igm}$ 其中 $0.0 \le \hat{\rho}_{\rm igm, n} < 10.0$，以均值为根密度、运动学和连接 2D 地图的平方误差值 ($\rm RMSE$) 分别为 $0.72$、$0.83$ 和 $0.74$。受过训练的模型无法准确预测星系相对于 IGM ($v_{\rm rel}$) 的相对速度，并且难以针对不同的 RP 条件进行概括。我们将我们的 CNN 应用于观察到的 Dorado 组中 NGC 1566 的 HI 柱密度图，以估计其 IGM 密度。对于密度、运动学和连接的 2D 地图，均方根误差值 ($\rm RMSE$) 分别为 $0.72$、$0.83$ 和 $0.74$。受过训练的模型无法准确预测星系相对于 IGM ($v_{\rm rel}$) 的相对速度，并且难以针对不同的 RP 条件进行概括。我们将我们的 CNN 应用于观察到的 Dorado 组中 NGC 1566 的 HI 柱密度图，以估计其 IGM 密度。对于密度、运动学和连接的 2D 地图，均方根误差值 ($\rm RMSE$) 分别为 $0.72$、$0.83$ 和 $0.74$。受过训练的模型无法准确预测星系相对于 IGM ($v_{\rm rel}$) 的相对速度，并且难以针对不同的 RP 条件进行概括。我们将我们的 CNN 应用于观察到的 Dorado 组中 NGC 1566 的 HI 柱密度图，以估计其 IGM 密度。