宇宙速度、密度与晕质量函数：来自深度学习的见解

我们讨论一种深度学习框架的实现，以深入理解暗物质（DM）结构形成。我们研究在宇宙学 N 体模拟中，速度场与密度场信息对构建晕质量函数（HMF）的贡献。我们在仅含 DM 的模拟的初始快照上训练卷积神经网络（CNN），以预测单个粒子在 $z = 0$ 时落入的晕质量，晕质量范围为 $10.5 < \log (M/M_{\odot}) < 14$。我们表明，对于振幅为 $A_s = 2 \times 10^{-9}$ 的初始扰动的 standard $\Lambda$CDM 宇宙学，初始速度场与密度场具有等价信息，正如线性区所预期，并彰显了我们的 CNN 诊断冗余信息的能力。为研究非线性效应，我们增大初始功率谱。在线性区，这等价于降低初始红移。在具有大 $A_s$ 的模拟快照上训练的 CNN 模型在加入速度场信息后，HMF 预测有显著改善。利用我们的 CNN 映射且无需进一步物理假设，我们精确评估这些非线性效应何时变得关键。最终，对于 $A_s = 8 \times10^{-8}$ 的模拟，仅用密度信息训练的模型相对于同时具有速度与密度信息的模型，其均方误差至少增加 $80\%$。我们的工作展示了 CNN 的可解释性以及从简单图像中读取高阶信息的能力，使其成为宇宙学研究的优秀工具。