利用神经网络进行大尺度密度与速度场重构
宇宙学与河外天体物理
2023-06-02 v2 星系天体物理
摘要
我们评估了一种神经网络（NN）方法，用于从离散且不完整的星系分布（输入）重构三维宇宙学密度场与速度场（目标）。我们采用二阶拉格朗日微扰理论生成大量模拟数据，以均方误差（MSE）损失函数训练一个自编码器（AE）架构。该 AE 成功捕捉了由引力动力学及星系分布离散性引起的非线性特征。它保持了重构密度场的正性，并且相比我们用作基准的传统线性维纳滤波（WF），在小尺度上对功率的抑制更弱。在密度重构中，AE 的 MSE 相对于 WF 降低了约 ，而在速度重构中，相对降低可达两倍之多。AE 在恢复目标场的分布方面优于 WF，尤其在尾部。事实上，以 MSE 损失训练时，任何 NN 估计在给定输入下都逼近底层目标的无偏均值。这意味着真实场对 NN 重构场的线性回归斜率为 1。仅在高斯场的特殊情况下，NN 与 WF 估计等价。尽管如此，对于非高斯场，我们也恢复了 WF 的线性回归斜率为 1。
引用
@article{arxiv.2212.06439,
title = {Large-scale density and velocity field reconstructions with neural networks},
author = {Punyakoti Ganeshaiah Veena and Robert Lilow and Adi Nusser},
journal= {arXiv preprint arXiv:2212.06439},
year = {2023}
}
备注
18 pages, 13 figures. Accepted in MNRAS