基于卷积神经网络的快速高保真莱曼 $\alpha$ 森林
宇宙学与河外天体物理
2022-05-04 v1 人工智能
摘要
全物理宇宙学模拟是研究宇宙结构形成与演化的有力工具，但需耗费极端的算力资源。此处，我们训练一个卷积神经网络，利用来自 Nyx 模拟的数据，使用更廉价的仅 N-body 模拟来重建与莱曼-（Ly）森林相关的重子流体力学变量（密度、温度和速度）。我们表明，我们的方法能以约 20kpc 的分辨率快速估计这些场，并比现有近似方法更精确地捕捉 Ly 森林的统计特性。由于我们的模型是全卷积的，我们可在较小模拟盒上训练并部署于大得多的盒上，从而大幅节省计算量。此外，由于我们的方法产生的是流体力学场的近似而非直接的 Ly 通量，它不受特定电离背景或平均透射通量选择的限制。
引用
@article{arxiv.2106.12662,
title = {Fast, high-fidelity Lyman $\alpha$ forests with convolutional neural networks},
author = {Peter Harrington and Mustafa Mustafa and Max Dornfest and Benjamin Horowitz and Zarija Lukić},
journal= {arXiv preprint arXiv:2106.12662},
year = {2022}
}
备注
10 pages, 6 figures