利用宇宙图学习宇宙学与成团性

我们在 CAMELS 项目最先进的水动力学模拟生成的数千个星系目录上训练深度学习模型以执行回归和推断。我们采用图神经网络（GNNs），这是一种为处理不规则和稀疏数据（如宇宙中星系的分布）而设计的架构。我们首先展示 GNN 能够以百分之几的精度学习计算星系目录的功率谱。然后我们训练 GNN 在星系场层级执行无似然推断。我们的模型仅根据 $z=0$ 时 $(25~h^{-1}{\rm Mpc})^3$ 体积内约 $1000$ 个星系的位置，在考虑 CAMELS 中建模的天体物理不确定性的同时，能够以约 $12\%-13\%$ 的精度推断 $\Omega_{\rm m}$ 的值。纳入星系属性（如恒星质量、恒星金属丰度和恒星半径）的信息可将精度提高到 $4\%-8\%$。我们的模型构建为平移和旋转不变，并且可以从大于两星系间最小距离的任何尺度提取信息。然而，我们的模型并非完全鲁棒：在采用与训练所用不同子网格物理的模拟上测试时，结果不够准确。