基于AI从红移空间晕分布重建暗物质速度场

我们提出一个基于UNet的深度学习模型，从稀疏暗物质晕的红移空间分布中重建实空间暗物质（DM）速度场。通过使用多种统计度量，我们展示了重建的速度分量——包括速度大小、动量和散度——与真实值高度匹配，实现了优于10%的相对误差和0.88的相关系数。在$k \in [0.05, 0.3] h/{\rm Mpc}$范围内的功率谱比较中，UNet重建优于线性理论，并在$2\sigma$范围内与真实场一致。该模型还能有效校正红移空间畸变（RSD），产生在$2\sigma$范围内无偏的暗物质场功率谱多极矩。值得注意的是，即使在晕质量信息不完整的情况下，UNet依然保持鲁棒性。这些结果凸显了该模型在宇宙学分析中的广泛适用性，包括RSD、宇宙网研究、运动学Sunyaev-Zel'dovich效应和BAO重建。