从星系演化中获取初始条件：机器学习亚网格校正标准重构

我们提出了一种混合方法，用于从晚期星系和星系团中重构原始密度场。我们的方法包含两个步骤：（1）应用标准的碰撞波动 (Baryon Acoustic Oscillation, BAO) 重构以恢复原始密度场中较大尺度的特征；（2）在全体积的分区子网格上训练深度学习模型，以学习小尺度校正。在推断时，这种校正被卷积到整个调查体积中，以实现对大规模调查体积的扩展。我们在基于 Quijote $1(h^{-1}\,\mathrm{Gpc})^3$ 模拟套件构建的 mock halo catalog 和 mock galaxy catalog 上进行训练，分别在配置空间和红移空间中进行。当在 held-out 模拟上评估时，我们的组合方法显著改进了与真实初始密度场的重构交叉相关系数，并且对 moderate model misspecification 仍然稳健。此外，我们展示了在 $1(h^{-1}\,\mathrm{Gpc})^3$ 上训练的模型可被应用到更大的盒子（例如 $(3h^{-1}\,\mathrm{Gpc})^3$）而无需重新训练。最后，我们对我们方法恢复 BAO 峰的 Fisher 分析，发现其对声学尺度误差的改进显著优于标准 BAO 重构。最终，这种方法能够稳健地捕获非线性效应和偏差，同时不牺牲大尺度精度，其灵活性使其能够在不增加计算需求的情况下处理任意大小的体积，特别适用于像 DESI 等大规模调查。