深度学习对宇宙结构形成的洞察

早期宇宙中存在的线性初始条件演化为晚期时间的暗物质延展晕，可利用宇宙学模拟计算。然而，对这一复杂过程的理论理解仍然难以捉摸；特别是，初始条件中的各向异性信息在确立暗物质晕最终质量中的作用仍是一个长期谜题。在此，我们构建了一个深度学习框架来研究这一问题。我们训练了一个三维卷积神经网络（CNN）从初始条件预测暗物质晕的质量，并全面量化了初始密度场的各向同性与各向异性方面关于最终晕质量的信息量。我们发现，相对于密度场球平均中所包含的信息，各向异性增加了少量但统计显著的信息。然而，最终质量预测的总体散布并未因这一额外信息而发生定性改变，仅从 0.9 dex 降至 0.7 dex。鉴于如此微小的改进，我们的结果表明初始密度场的各向同性方面基本饱和了关于最终晕质量的相关信息。因此，与其寻找直接编码于初始条件各向异性中的信息，更准确快速的晕质量预测的更有前景的途径是添加基于例如微扰理论的近似动力学信息。更广泛地说，我们的结果表明深度学习框架可为提取宇宙结构形成的物理洞察提供强大工具。