一种模拟宇宙再电离过程的深度学习模型

我们提出一个经过训练的深度学习模型，用于模拟宇宙再电离时期的辐射转移。CRADLE（Cosmological Reionization And Deep LEarning，宇宙再电离与深度学习）是一个自编码卷积神经网络，它使用 z=6 时星数密度和气体密度场的二维图作为输入，并预测再电离时间 $\mathrm{t_{reion}}$ 的三维图作为输出。这些预测的单场足以描述给定模拟中星系际介质的整体再电离历史。我们在一个给定模拟上训练该模型，并在另一个具有相同参数但不同初始条件的模拟上测试其预测。该模型成功预测了与测试模拟吻合良好的 $\mathrm{t_{reion}}$ 图。我们使用 $\mathrm{t_{reion}}$ 场的功率谱作为验证模型的指标。我们表明，该网络对大尺度的预测几乎完美，但在较小尺度上准确性稍差。虽然当前模型已非常适合获取关于再电离历史的平均估计，我们期望它可以通过更大的训练样本、更好的数据预处理和超参数的更精细调优而进一步改进。此类模拟器可被系统地用于快速获取与纯流体模拟相关的演化 HII 区，并可视作面向未来一代模拟的全物理求解器完全模拟器的先驱。