通过实例分割刻画结构形成

暗物质晕由早期宇宙近乎均匀密度场的小扰动形成。尽管已知形成晕所需的初始扰动幅度，但如何预测哪些粒子最终属于哪个晕仍知之甚少。然而，正是这一过程决定了原初晕的拉格朗日形状，因此对理解其质量、自旋与形成历史至关重要。在此，我们提出一个机器学习框架，以学习不同晕的原初晕区域如何从初始密度场中涌现。这涉及一个神经网络从语义上区分哪些粒子成为任一晕的一部分，以及第二个神经网络按晕归属将这些粒子分组为不同实例。该实例分割通过 Weinberger 方法完成，其中网络将粒子映射至伪空间表示，不同实例可借简单聚类算法轻易区分。我们的模型可靠地逐对象预测晕的质量与拉格朗日形状，以及如晕质量函数等汇总统计量。我们通过将其与两次初始条件略有差异的 N 体模拟间的一致程度比较，发现模型提取的信息接近最优。我们开源发布模型，并建议可通过研究初始条件系统性操控的效应，来为结构形成的解析方法提供信息。