Dalek——TARDIS 的深度学习仿真器

超新星光谱时间序列包含关于这些高能事件的 progenitor（前身星）和爆炸过程的丰富信息。对这些数据的建模需要利用昂贵的辐射转移代码探索非常高维的后验概率。即使是适度的超新星参数化也包含十余个参数，而详细的探索至少需要数百万次函数求值。物理上真实的模型每次求值至少需要数十 CPU 分钟，使得传统方法无法详细重建爆炸。广泛可用的神经网络训练库的出现，结合其以高精度近似几乎任意函数的能力，为这一问题提供了新途径。与其直接求值辐射转移模型，不如构建一个在模拟上训练但求值快几个数量级的神经网络代理。这种框架称为仿真器（emulator）或代理模型（surrogate model）。在本工作中，我们提出一个用于 TARDIS 超新星辐射转移代码的仿真器，应用于 Ia 型超新星光谱。我们展示，给定十万个光谱的适度训练集（在现代超级计算机上易于计算），我们可以为此问题训练一个仿真器。结果显示出百分号水平的精度（主要由 TARDIS 的蒙特卡洛性质而非仿真器导致），以及几个数量级的速度提升。该方法具有更广泛的应用，并不限于所呈现的问题。