宇宙学 N 体模拟：可扩展生成模型面临的一项挑战
计算物理
2019-12-19 v2 宇宙学与河外天体物理
机器学习
图像与视频处理
摘要
深度生成模型，如生成对抗网络（GAN）或变分自编码器（VA），已被证明能够生成具有高视觉质量的图像。然而，现有硬件严重限制了可生成图像的大小。因此，许多科学领域中高维数据的快速增长对生成模型提出了重大挑战。在宇宙学中，由 N 体模拟建模的大尺度三维物质分布，对于理解宇宙的演化起着关键作用。由于这些模拟在计算上非常昂贵，GAN 近来作为一种可能模拟这些数据集的方法引起了兴趣，但迄今为止主要局限于二维数据。在这项工作中，我们引入了一个用于生成三维 N 体模拟的新基准，以激发机器学习界的新思路，并推动生成模型在宇宙学中的实际应用。作为首个基准结果，我们提出了一种可扩展的 GAN 方法，用于训练三维 N 体立方体的生成器。我们的技术依赖于两个关键构建模块：（i）将高维数据的生成拆分为更小的部分；（ii）使用多尺度方法，有效捕捉全局图像特征，否则这些特征可能在拆分过程中丢失。我们使用宇宙学中常用的各种统计度量评估了我们的模型生成 N 体样本的性能。我们的结果表明，所提出的模型生成了高视觉质量的样本，尽管统计分析揭示出捕捉数据中的稀有特征对生成模型构成了显著问题。我们在 https://github.com/nperraud/3DcosmoGAN 公开提供了数据、质量评估例程以及所提出的 GAN 架构。
引用
@article{arxiv.1908.05519,
title = {Cosmological N-body simulations: a challenge for scalable generative models},
author = {Nathanaël Perraudin and Ankit Srivastava and Aurelien Lucchi and Tomasz Kacprzak and Thomas Hofmann and Alexandre Réfrégier},
journal= {arXiv preprint arXiv:1908.05519},
year = {2019}
}