利用流匹配提高弱透镜质量图代理模型的精度

弱引力透镜图紧凑地编码了宇宙大尺度结构的演化，是宇宙学分析的关键工具。直接在图层级进行推断允许灵活的统计量选择，并能增加约束能力。传统方法完全依赖N体模拟，计算成本高昂。生成式机器学习模拟器可以加速图层级理论预测。然而，现有的基于GAN的图层级代理模型仍具有有限的统计保真度。它们可能产生过度平滑的图，可能无法捕捉生成图集的完整分布，且可能难以训练。通过流匹配训练的连续正则化流近期已成为一类强大的生成模型。我们提出了一种残差标签条件流匹配生成网络，在固定源红移分布 $n(z)$ 下，显式地以物质密度 $\Omega_m$ 和聚类幅度 $\sigma_8$ 为条件。该模型在残差空间中学习从特定标签的噪声分布到收敛图的连续概率流。我们使用像素和峰统计量、功率谱、双谱、功率谱相关矩阵及其他验证指标对其进行评估。与之前的GAN基准相比，所提出的方法将生成图的基本统计量和高阶统计量的典型保真度分别从低于10%和低于20%提高到低于1%和低于5%。在图分布层面的一致性也非常好：从随机噪声生成的图与从随机初始条件用N体模拟生成的图的分布匹配良好。这项工作使我们更接近一种实用的质量图模拟器，它既能捕捉宇宙学信号，又能支持多种形式的数据分析。