利用SHAMNet对大尺度结构进行可微预测
宇宙学与河外天体物理
2022-02-23 v3 星系天体物理
摘要
在基于模拟的星系-晕连接模型中，星系成团性与透镜效应的理论预测通常基于模拟宇宙的蒙特卡洛实现得出。本文中，我们使用子晕丰度匹配（SHAM）作为玩具模型，引入一种基于模拟群体随机预测之外的替代方案，展示如何对成团性与透镜效应做出基于模拟的预测，这些预测相对于模型参数既精确又可微。SHAM的传统实现基于Richardson-Lucy反卷积等迭代算法；此处我们使用JAX库进行自动微分来训练SHAMNet，这是一个精确近似由丰度匹配定义的恒星-晕质量关系（SMHM）的神经网络。在我们进行大尺度结构可微预测的方法中，我们将参数化PDF映射到每个模拟晕上，并通过使用自动微分将SMHM的梯度传播到用于测量一阶和二阶函数的统计估计器中，从而计算星系分布汇总统计量的梯度。我们的技术具有相当的通用性，最后我们概述了如何将其与更复杂、更高维的模型结合使用，从而具备对星系多波段宇宙进行可微预测的能力。
引用
@article{arxiv.2112.08423,
title = {Differentiable Predictions for Large Scale Structure with SHAMNet},
author = {Andrew P. Hearin and Nesar Ramachandra and Matthew R. Becker and Joseph DeRose},
journal= {arXiv preprint arXiv:2112.08423},
year = {2022}
}
备注
11 pages, 6 appendices, version accepted for publication by the Open Journal of Astrophysics