神经网络在多保真度宇宙学模拟中的设计与优化
宇宙学与河外天体物理
2026-02-12 v2 天体物理仪器与方法
摘要
准确且高效的基于模拟的仿真器对于解释宇宙调查数据至关重要，尤其是down to nonlinear尺度。多保真度仿真技术通过结合高保真度和低保真度数据来降低模拟成本，但传统回归方法如高斯过程在样本量和维度方面难以实现可扩展性。在本工作中，我们提出了 T2N-MusE，一种神经网络框架，特点包括：(i) 新颖的两步多保真度体系结构，(ii) 两阶段贝叶斯超参数优化，(iii) 两阶段 折交叉验证训练策略，以及 (iv) 每个红移周期的主成分分析策略。我们将 T2N-MusE 应用于 Goku 模拟套件的选定数据，覆盖 10 维宇宙学参数空间，构建不同配置下的物质功率谱仿真器。我们发现，仿真器显著优于我们之前的高斯过程模型，证明了这些技术在训练神经网络或提高泛化精度方面都高效且有效。我们观察到在离线交叉验证中，平均误差降低了五倍以上，最坏情况误差约降低了八倍。该框架已用于构建最强大的物质功率谱仿真器 GokuNEmu，未来也将用于构建其他统计量的仿真器。
引用
@article{arxiv.2507.07184,
title = {Design and optimization of neural networks for multifidelity cosmological emulation},
author = {Yanhui Yang and Simeon Bird and Ming-Feng Ho and Mahdi Qezlou},
journal= {arXiv preprint arXiv:2507.07184},
year = {2026}
}
备注
16 pages, 13 figures, 5 tables. Updated to match the version published in Phys. Rev. D