宇宙学多场模拟器

我们展示了利用深度网络学习 CAMELS 项目最先进流体动力学模拟数据分布的方法。为此，我们训练了一个生成对抗网络 (GAN) 来生成由三个不同通道组成的图像，分别代表气体密度 (Mgas)、中性氢密度 (HI) 和磁场幅度 (B)。我们考虑了一个无约束模型和另一个场景，其中模型以物质密度 $\Omega_{\rm m}$ 和密度涨落幅度 $\sigma_{8}$ 为条件。我们发现生成的图像质量极高，在视觉上与真实数据相当。定量上，我们发现我们的模型生成的地图其统计属性（由像素值的概率分布函数和自功率谱量化）与真实地图相当吻合。此外，模拟器生成的所有地图中各场之间的互相关性与真实图像高度一致，这表明我们的模型生成的实例中所有三个通道的地图描述的是同一物理区域。此外，一个经过训练用于从 CAMELS 多场数据集中提取 $\Omega_{\rm m}$ 和 $\sigma_{8}$ 的 CNN 回归器，能够从我们条件模型生成的地图中恢复宇宙学参数，针对 $\Omega_{\rm m}$ 和 $\sigma_{8}$ 分别达到了 $R^{2}$ = 0.96 和 0.83。这进一步证明了该模型模仿 CAMELS 数据的强大能力。我们的模型可用于生成分析即将到来的多波段宇宙学巡天信息所需的数据。