(DarkAI) 利用人工智能绘制暗物质大尺度密度场

本文中，我们提出一种从暗物质晕的红移空间分布重建暗物质密度场的深度学习技术。我们构建了UNet架构神经网络，并使用COmoving Lagrangian Acceleration快速模拟训练它，该模拟是N体模拟的近似，具有$512^3$粒子、箱尺寸500 Mpc $h^{-1}$。进一步，我们不仅用类训练测试样本，还用标准N体模拟测试所得UNet模型，例如具有$6144^3$粒子、箱尺寸1000 Mpc $h^{-1}$的九天模拟，以及具有不同宇宙学的ELUCID模拟。三个模拟中的实空间暗物质密度场均可被可靠重建，在$k=0.1$和$0.3~h\mathrm{Mpc^{-1}}$处互相关功率谱仅分别减小1%和10%。该重建明显有助于校正红移空间畸变，且不受训练（Planck2018）与测试样本（WMAP5）间不同宇宙学影响。此外，我们测试了UNet重建密度场在获取速度场与潮汐场中的应用，发现相较基于线性偏倚模型的传统方法，该方法提供更好结果，相关性斜率改善12.2%，预测与真实速度间散点减少21.1%。因此，我们的方法高效且在训练集外具有优异外推可靠性。这为从丰富星系巡天数据确定三维底层密度场提供了理想方案。