暗 sector 物理的黑箱：用条件GAN预测暗物质湮灭反馈
宇宙学与河外天体物理
2019-11-01 v2
摘要
传统上，将额外物理纳入现有宇宙学模拟需要重新运行宇宙学模拟代码，这可能计算代价高昂。我们展示了条件生成对抗网络（cGANs）可被用来预测改变底层物理如何改变模拟结果。为说明这一点，我们训练一个cGAN来学习暗物质湮灭反馈（DMAF）对气体密度分布的影响。预测的气体密度切片在视觉上难以与其真实对应物区分，且所有测试样本的峰值计数差异小于10%（平均偏差 < 3%）。最后，我们反转该问题并展示cGAN能够赋予平滑密度分布以真实的子结构。然而，cGAN在生成新结以及创建/消除泡状结构方面存在困难。我们得出结论：训练好的cGAN可以作为一种有效方法，从现有标准宇宙学结构演化模拟样本中提供包含DMAF物理的宇宙学模拟模拟样本。
引用
@article{arxiv.1910.00291,
title = {A black box for dark sector physics: Predicting dark matter annihilation feedback with conditional GANs},
author = {Florian List and Ishaan Bhat and Geraint F. Lewis},
journal= {arXiv preprint arXiv:1910.00291},
year = {2019}
}
备注
11 pages, 9 figures