用于宇宙学 N 体模拟的场级神经网络模拟器

我们构建了一个在非线性区域精确的宇宙结构形成场级模拟器。我们的模拟器由两个卷积神经网络组成，经训练后可根据粒子的线性输入输出 N 体模拟粒子的非线性位移和速度。宇宙学依赖性以风格参数的形式编码在神经网络的每一层中，使模拟器能够在不同平坦 $\Lambda$CDM 宇宙学之间、在广泛的背景物质密度范围内有效插值结构形成的结果。该神经网络架构使模型在构造上可微，为快速场级推断提供了强大工具。我们通过考虑若干汇总统计量来测试我们方法的准确性，包括含与不含红移空间畸变的密度功率谱、位移功率谱、动量功率谱、密度双谱、晕丰度，以及含与不含红移空间畸变的晕剖面。我们将模拟器的这些统计量与完整 N 体结果、COLA 方法和无宇宙学依赖的基准神经网络进行比较。我们发现我们的模拟器在尺度低至 $k \sim 1\ \mathrm{Mpc}^{-1}\, h$ 时仍给出准确结果，相对于 COLA 和基准神经网络均有显著改进。我们还证明了我们的模拟器能很好地泛化到含原初非高斯性的初始条件，无需任何额外的风格参数或重新训练。