从 EMBER 到 FIRE:用深度学习从暗物质模拟预测高分辨率重子场
星系天体物理
2022-04-01 v2 宇宙学与河外天体物理
摘要
流体动力学模拟为研究宇宙结构形成中暗物质与重子的相互作用提供了强大但计算昂贵的方法。本文引入 EMulating Baryonic EnRichment (EMBER) 深度学习框架,基于仅暗物质模拟预测重子场,从而降低计算成本。EMBER 包含两种网络架构,U-Net 和 Wasserstein 生成对抗网络(WGANs),从暗物质场预测二维气体和 HI 密度。我们将条件 WGANs 设计为随机模拟器,使得可从同一暗物质输入采样多个目标场。为训练,我们结合来自 Feedback in Realistic Environments (FIRE) 项目的宇宙学体积和 zoom-in 流体动力学模拟,以代表大范围尺度。我们的基准 WGAN 模型在至 ~10 kpc 尺度内以 10% 精度再现气体和 HI 功率谱。此外,我们研究 EMBER 通过上采样技术从低分辨率暗物质输入预测高分辨率重子场的能力。作为一个实际应用,我们使用该方法为 L=100 Mpc/h 共动宇宙学盒子的暗物质模拟生成高分辨率 HI 图。EMBER 预测的暗物质晕气体含量和 HI 柱密度分布与大规模宇宙学模拟和丰度匹配模型结果吻合良好。我们的方法为用物理一致的重子场图增强仅暗物质模拟提供了一种计算高效的随机模拟器。
引用
@article{arxiv.2110.11970,
title = {From EMBER to FIRE: predicting high resolution baryon fields from dark matter simulations with Deep Learning},
author = {Mauro Bernardini and Robert Feldmann and Daniel Anglés-Alcázar and Mike Boylan-Kolchin and James Bullock and Lucio Mayer and Joachim Stadel},
journal= {arXiv preprint arXiv:2110.11970},
year = {2022}
}
备注
21 pages, 12 figures, accepted by MNRAS, comments welcome