基于 GPR 的模拟器用于加速化学演化时期 HI 密度预测

快速且准确地对化学演化时期（Epoch of Reionization, EoR）中中性氢分布进行建模，对解释即将到来的 21 厘米观测至关重要。半数值模型的一个关键组成部分是塌缩分数场 $f_{\text{coll}}(\mathbf{x})$，其代表每个位置上暗物质星系结构中质量分数的比例。使用高动态范围 N 体模拟来获得这一点在计算上是昂贵的，而半解析方法虽然快速，却在准确性方面付出了代价。本文通过开发一种机器学习模型来生成由 $f_{\text{coll}}$ 条件分布抽样得到的 $f_{\text{coll}}$ 图，来弥合这一差距。该模型的输入密度场和条件分布函数取自低动态范围 N 体模拟，这些模拟更高效。我们通过将其预测结果与高动态范围 N 体模拟进行比较来评估该 ML 模型的性能。利用这些 $f_{\text{coll}}$ 图，我们通过半数值代码计算 HI 和 HII 图。我们能够在 $k \lesssim 1\ h\,{\rm Mpc}^{-1}$ 的尺度上以 $<10\%$ 的误差恢复大尺度 HI 密度场功率谱，而 HII 密度场的重建误差在所有尺度上均小于 10%。与现有半解析方法相比，我们的方法在生成塌缩分数场方面显著提高了准确性，为建模化学演化提供了稳健且高效的替代方案。