dm2gal：用神经网络将暗物质映射为星系
宇宙学与河外天体物理
2020-12-02 v1
摘要
星系巡天所产生的宇宙结构图是回答宇宙基本问题的关键工具之一。为了最大化这些项目的科学回报，需要对这些量进行精确的理论预测。包含引力与流体动力学的宇宙模拟是实现此目标最强有力的技术之一；遗憾的是，这些模拟在计算上非常昂贵。另一方面，仅引力模拟较廉价，但不能预测宇宙网中星系的位置与性质。在本工作中，我们使用卷积神经网络将星系恒星质量绘制在仅引力模拟生成的暗物质场上。星系的恒星质量对于巡天中的星系选择十分重要，因而是需要预测的重要量。我们的模型优于最先进的基准模型，并能够生成快速而准确的观测星系分布模型。
引用
@article{arxiv.2012.00186,
title = {dm2gal: Mapping Dark Matter to Galaxies with Neural Networks},
author = {Noah Kasmanoff and Francisco Villaescusa-Navarro and Jeremy Tinker and Shirley Ho},
journal= {arXiv preprint arXiv:2012.00186},
year = {2020}
}
备注
6 pages, 1 figure, paper accepted by the NeurIPS 2020 Machine Learning and the Physical Sciences Workshop. Code available at https://github.com/nkasmanoff/dm2gal