一种用于修正模拟晕团聚类统计中质量分辨率效应的机器学习方法

宇宙学巡天观测体积的增加给模拟准备带来了诸多挑战。首先，所需模拟的体积与观测成正比增加。然而，大体积模拟正迅速变得在计算上难以处理。其次，正在进行与未来的大体积巡天正瞄准比早期焦点（即亮红星系）更小的天体，例如发射线星系。它们要求模拟具有更高的质量分辨率。本工作中，我们提出一种机器学习 (ML) 方法，通过使用具有相同背景白噪声的配对高分辨率 (HR) 模拟进行训练来校准低分辨率 (LR) 模拟的晕团目录，从而可以一一匹配 HR 晕团与 LR 晕团来构建训练数据。训练后，校准的 LR 晕团目录在尺度 $k<1~h\,\rm Mpc^{-1}$ 上对于低至 $2.5\times 10^{11}~h^{-1}M_\odot$ 的质量以 $5~{\rm per~cent}$ 的精度复现了质量-聚类关系。我们在实空间与红移空间中验证了包括晕团质量函数、功率谱、两点相关函数与双谱在内的不同统计量的性能。我们的方法从包含每个天体修正晕团质量的低分辨率目录（$>25$ 个粒子每晕团）生成了类高分辨率的晕团目录（$>200$ 个粒子每晕团）。这得以在不大幅牺牲结果质量分辨率的前提下规避大体积真实高分辨率模拟的计算负担。我们的 ML 方法成本（$\sim 1$ CPU-小时）相比 $N$ 体模拟成本（例如数百万 CPU-小时）可忽略不计，所需计算时间缩减了 8 倍。