利用高斯神经后验估计快速采样宇宙学初始条件

了解宇宙大尺度结构在宇宙时间中从中涌现的原初物质密度场，对宇宙学具有根本重要性。然而，从晚期观测重建这些宇宙学初始条件是一项众所周知的困难任务，需要先进的宇宙学模拟器和复杂的统计方法来探索数百万维的参数空间。我们展示了如何利用基于模拟的推断（SBI）来解决这个问题，并以一种模拟高效的方式，利用通用的不可微模拟器获得受数据约束的原始暗物质密度场实现。我们的方法适用于全高分辨率暗物质 $N$ 体模拟，并基于将约束初始条件的后验分布建模为傅里叶空间中具有对角协方差矩阵的高斯分布。因此，我们能够在单个 GPU 上几秒钟内生成数千个后验样本，比现有方法快几个数量级，为宇宙学场的序列 SBI 铺平了道路。此外，我们对估计的协方差对波数的依赖关系进行了分析拟合，有效地将任何初始条件点估计器转化为快速采样器。我们通过使用汇总统计量将获得的样本与真实值进行比较，并执行贝叶斯一致性检验，来测试其有效性。