利用生成对抗网络模拟宇宙学多场
宇宙学与河外天体物理
2022-11-10 v1 天体物理仪器与方法
摘要
我们探索使用深度学习从 CAMELS 项目最先进的水动力模拟生成多场图像的可能性。我们使用生成对抗网络（GAN）生成具有三个不同通道的图像，分别代表气体密度（Mgas）、中性氢密度（HI）和磁场幅度（B）。模型生成的每个示例中每张图的质量看起来都很有前景。本研究中考虑的 GAN 能够生成这样的图：其像素概率密度分布的均值和标准差与训练数据图的均值和标准差一致。每个场生成图的自功率谱的均值和标准差与根据 IllustrisTNG 图计算的结果吻合良好。此外，模拟器产生的所有实例中场间的交叉关联与数据集的交叉关联一致。这意味着生成器每次输出中的三张图都编码了相同的底层宇宙学和天体物理学。
引用
@article{arxiv.2211.05000,
title = {Emulating cosmological multifields with generative adversarial networks},
author = {Sambatra Andrianomena and Francisco Villaescusa-Navarro and Sultan Hassan},
journal= {arXiv preprint arXiv:2211.05000},
year = {2022}
}
备注
6 pages, 3 figures, Accepted at the Workshop on Machine Learning and the Physical Sciences, Neural Information Processing Systems (NeurIPS) 2022