修正引力场水平仿真器

如LSST和Euclid等四阶段调查为阐明暗能量的本质提供了独特的机会。然而，除非在所有可观测尺度上都有准确的预测，否则无法发挥其全部约束效力。目前，仅在 $\Lambda$CDM 模型之外的线性尺度范围内得到良好理解：在非线性尺度上，需要昂贵的数值模拟，其直接使用在大数据集的分析中是不可行的。最近，机器学习技术显示出打破这一困境的潜力：通过训练仿真器，我们可以在生产它们的时间分之几内预测复杂的数据场。本文中，我们 presented a field-level emulator， capable of 将 $\Lambda$CDM N-body simulation 转换为在 $f(R)$ 引力下演化的 simulation。为实现这一目标，我们基于 map2map 神经网络构建，using the strength of modified gravity $|f_{R_0}|$ 作为 style parameter。我们发现，our emulator 正确地估计了它需要应用于输入 N-body 粒子的位置和速度，以产生目标 simulation。我们测试了 network 针对 several summary statistics 的性能，发现 power spectrum 在 $k \sim 1$ $h/$Mpc 时保持 $1\%$ 一致性，与独立的 boost emulator eMantis 保持 $1.5\%$ 一致性。尽管该算法在固定宇宙学参数下训练，但我们发现它可以 extrapolate 到它未训练的模型。结合可用的 field-level emulator 和 $\Lambda$CDM 的 simulation suite，我们的算法可用于利用 field level 的完整信息约束大尺度结构中的修正引力。