利用深度学习修复流体动力学地图中的缺失数据

基于CAMELS项目的1000次流体动力学模拟（每次具有不同宇宙学和天体物理参数取值），我们生成了15000幅气体温度图。我们使用最先进的深度卷积神经网络从这些图中恢复缺失数据。我们通过施加覆盖每幅图面积15%或30%的规则与不规则二值掩膜来模拟缺失数据。我们利用两种汇总统计量量化结果的可靠性：1）概率密度函数（pdf）之间的距离，采用Kolmogorov-Smirnov（KS）检验估计；2）二维功率谱。我们发现，在使用功率谱时，模型预测与未掩膜图之间高度一致：对于任意不规则掩膜，在$k<20 h/$Mpc范围内优于1%。对于规则掩膜，当覆盖15%图面时观察到约5%的系统偏移，而当30%数据缺失时结果变得不可靠。观测到的KS检验p值支持原假设，即使用不规则掩膜时重建图与真值图来自同一底层分布。另一方面，对于规则形状掩膜，我们发现强烈证据表明两种分布不匹配。最后，我们将训练于气体温度图上的模型用于对完全不同领域（如气体质量、气体压强和电子密度）的图以及由其他代码运行的模拟中的气体温度图进行修复。我们发现，在视觉上，我们的模型能够非常精确地重建这些场图中缺失的像素，尽管其使用汇总统计量的性能强烈依赖于所考虑的场。