用于模拟暗物质晕目录的体积式深度卷积神经网络
宇宙学与河外天体物理
2018-11-20 v2 天体物理仪器与方法
计算机视觉与模式识别
摘要
对于现代大尺度结构巡天技术，在标准实践中需在大量模拟套件上测试数据分析流程，而目前对完整 N 体模拟而言此任务成本高昂。我们未计算这一昂贵的引力演化，而是训练了一个三维深度卷积神经网络（CNN），以直接从宇宙学初始条件中识别暗物质原晕。在 Peak Patch 半解析代码的晕目录上训练后，我们测试了多种 CNN 架构，发现它们仅在 24 小时训练内即可普遍达到约 92% 的 Dice 系数。我们提出了一种简单快速的几何晕寻找算法，以从该强大的逐像素二分类器中提取晕，并发现预测目录的质量函数和功率谱与真实模拟在约 10% 内吻合。我们逐个对象地研究了长程潮汐力的影响，发现该网络的预测与 Peak Patch 算法显式使用的非线性椭球坍缩方程一致。
引用
@article{arxiv.1805.04537,
title = {A volumetric deep Convolutional Neural Network for simulation of mock dark matter halo catalogues},
author = {Philippe Berger and George Stein},
journal= {arXiv preprint arXiv:1805.04537},
year = {2018}
}
备注
12 pages, 8 figures, 1 table. Accepted to MNRAS