宇宙学N体模拟的场级比较与鲁棒性分析

我们提出了首个进行宇宙学N体模拟场级比较的工作，考虑各种常用代码：Abacus、CUBEP$^3$M、Enzo、Gadget、Gizmo、PKDGrav和Ramses。不同于以往仅关注摘要统计量的比较，我们开展了全面的场级分析：评估统计相似性、量化对宇宙学参数推断的影响，并识别在何种情况下模拟之间是一致的。我们首先采用功率谱、交叉相关系数和视觉检查物质场的传统方法进行比较。随后，我们进行统计学习分布（OOD）分析，以量化模拟之间分布差异，揭示传统指标未捕捉的洞见。我们然后使用基于卷积神经网络（CNN）的模拟方法进行场级推断，在一个模拟上训练，在其他模拟（包括完整流体动力学模拟）上测试。我们识别出了几种导致OOD行为和偏差推断的原因，发现分辨率效应（例如来自自适应网格细化（AMR）的效应）具有显著影响。在AMR模拟上评估的模型训练于非AMR模拟时会出现灾难性失败，引入的偏差大于来自流体动力学效应的偏差。即使使用相同的N体代码，分辨率差异也会导致偏差推断。我们将这些失败归因于CNN对小尺度波动的敏感性，特别是在空洞和纤维结构中，并演示适当的平滑处理可使模拟达到统计一致。我们的发现动员了谨慎的数据过滤和使用场级OOD指标（如PQMass）以确保稳健推断的需要。