EMBER-2：基于深度调制网络模拟暗物质下从暗物质到气体的演化

星系形成是连接大尺度宇宙学与小尺度天体物理在宇宙时间尺度上的复杂问题。水动力学模拟是模型化星系形成最为原则的方法，但计算成本高昂。最近，基于卷积神经网络(CNN)的仿真技术被提出用于从暗物质模拟直接预测气体的力学属性。这些仿真器的优势在于能够捕获相关性，但计算成本远低于模拟。然而，由于暗物质与气体之间的非线性相互作用日益复杂，以及CNN的内存效率低下，在大红移范围内训练基本CNN具有挑战性。本工作介绍EMBER-2，这是EMBAR（EMulating Baryonic EnRichment）框架的一个改进版本，用于同时模拟从z=6到z=0期间多个气体通道，包括气体密度、速度、温度和HI密度。EMBER-2集成了基于上下文的调色网络搭配调制卷积，用于快速、准确且内存高效的仿真，能够用单个CNN对整个红移范围进行插值。虽然EMBER-2使用的可训练参数数量不到前一版本的1/6，但在每个测试摘要指标上都有所改进，包括气体质量守恒和交叉相关系数。EMBER-2框架为生产能直接纳入未来分析管道的场水平数据和派生摘要统计学的mock catalog提供了基础。我们在官方网站https://maurbe.github.io/ember2/上发布了源代码。