利用潜空间插值研究宇宙学 GAN 模拟器
宇宙学与河外天体物理
2021-07-06 v3 天体物理仪器与方法
计算物理
摘要
生成对抗网络（GANs）近来被用作大尺度结构模拟的一种新型模拟技术。近期结果表明，GAN 可作为快速、高效且计算廉价的模拟器，用于生成新颖的弱透镜收敛图以及二维和三维宇宙网数据。然而，如同任何算法，GAN 方法伴随一组局限性，例如不稳定的训练过程以及所产生输出的固有随机性。在本工作中，我们采用机器学习文献中常用的若干技术来解决上述局限性。具体而言，我们训练一个 GAN 以生成多个红移、宇宙学参数与修正引力模型下的弱透镜收敛图与暗物质过密度场数据。此外，我们使用最新的 Illustris 数据训练一个 GAN 以同时模拟暗物质、气体与内能分布数据。最后，我们应用潜空间插值技术来控制算法所产生的输出。我们的结果表明，根据所用数据集以及是否应用高斯平滑，GAN 生成样本与训练数据样本的幂谱之间存在 1-20% 的差异。最后，近期关于生成模型的研究表明，此类算法可被视为从低维输入（潜）空间到高维（数据）流形的映射。我们探索这样一种理论描述，将其作为更好理解潜空间插值过程的工具。
引用
@article{arxiv.2004.10223,
title = {Investigating Cosmological GAN Emulators Using Latent Space Interpolation},
author = {Andrius Tamosiunas and Hans A. Winther and Kazuya Koyama and David J. Bacon and Robert C. Nichol and Ben Mawdsley},
journal= {arXiv preprint arXiv:2004.10223},
year = {2021}
}
备注
20 pages, 23 figures, 3 tables