MN
Michelle Ntampaka
Achievements
This user has not unlocked any achievements yet.
Key Stats
Upvotes received:
0
Publications:
13
(0% Open Access)
Cited by:
0
h-index:
0
/
i10-index:
0
Reputation
Biology
< 1%
Chemistry
< 1%
Economics
< 1%
Show more
How is this calculated?
Publications
0

A Machine Learning Approach for Dynamical Mass Measurements of Galaxy Clusters

Michelle Ntampaka et al.Oct 2, 2014
We present a modern machine learning approach for cluster dynamical massmeasurements that is a factor of two improvement over using a conventionalscaling relation. Different methods are tested against a mock cluster catalogconstructed using halos with mass >= 10^14 Msolar/h from Multidark'spublicly-available N-body MDPL halo catalog. In the conventional method, we usea standard M(sigma_v) power law scaling relation to infer cluster mass, M, fromline-of-sight (LOS) galaxy velocity dispersion, sigma_v. The resultingfractional mass error distribution is broad, with width=0.87 (68% scatter), andhas extended high-error tails. The standard scaling relation can be simplyenhanced by including higher-order moments of the LOS velocity distribution.Applying the kurtosis as a correction term to log(sigma_v) reduces the width ofthe error distribution to 0.74 (16% improvement). Machine learning can be usedto take full advantage of all the information in the velocity distribution. Weemploy the Support Distribution Machines (SDMs) algorithm that learns fromdistributions of data to predict single values. SDMs trained and tested on thedistribution of LOS velocities yield width=0.46 (47% improvement). Furthermore,the problematic tails of the mass error distribution are effectivelyeliminated. Decreasing cluster mass errors will improve measurements of thegrowth of structure and lead to tighter constraints on cosmological parameters.
Load More