神经网络在流体宇宙中的宇宙学信息解释

当黑箱（神经网络）遇见黑箱（宇宙模拟）时会发生什么？近期的研究表明，卷积神经网络（CNNs）能够在复杂的重力过程存在下，从物质密度场中推断宇宙学参数。一个关键问题是，神经网络从哪些部分的星际结构中获取信息？我们通过识别CNN关注的傅里叶尺度、密度尺度以及星际结构的形态特征，来阐明这一问题。我们发现，CNNs从高密度和低密度区域都提取到了宇宙学信息：过密区域每像素提供的信息最多，而稀疏区域——尤其是深层空洞及其周围区域——因其较大的空间扩展和一致的空间特征，贡献显著。令人惊讶的是，我们证明了在削减最大傅里叶尺度和密度后，宇宙学约束能力几乎没有退化。此外，我们发现在考虑引力-仅和流体动力学模拟时都得到类似结果，这表明神经网络能够在对重力过程建模不确定性较小的情况下，对宇宙学约束保持最小的损失。我们的发现指向了在不确定的天体物理模型下进行场级宇宙学推断的实用策略。