我们红移空间功率谱混合模型的高精度加速方法

即将开展的大尺度结构巡天旨在以空前精度测量星系成团性。然而,精确建模这些统计量可能需要超越二阶微扰理论的理论模板,尤其在较小尺度上实现精度时。在我们之前的工作中,我们引入了星系红移空间功率谱的混合模型。该模型结合二阶模板与 N 体模拟,以捕捉尺度无关参数对星系功率谱的影响。然而,尺度依赖参数的影响是通过预先计算一组源自计算昂贵的 N 体模拟的输入统计量来处理的。因此,在该方法中探索尺度依赖参数空间不可行。为应对此挑战,我们提出一种加速方法,利用高斯过程这一机器学习技术来仿真这些输入统计量。我们的仿真器展现出卓越精度,仅用 13 次 N 体模拟训练即获得可靠结果。我们在 Planck 预测 5σ 内的参数空间中,对一组测试模拟重现所有必要输入统计量,误差约 0.1%,特别针对 k > 0.1 hMpc^{-1} 左右的尺度。训练完仿真器后,我们可在约 0.2 秒内于指定红移处预测混合模型的所有输入。鉴于执行 13 次 N 体模拟是可控任务,我们当前的方法使我们能在可管理的时间框架内构建高效且高精度的星系功率谱模型。