天体物理模拟的机器引导探索与校准
星系天体物理
2022-10-07 v1
摘要
我们应用一种结合机器学习的新型方法来校准数值模拟代码中的子网格模型，以实现与观测结果以及不同代码之间的一致性。该方法利用主动学习和神经密度估计器。机器的超参数通过一个定义良好的抛体运动问题进行校准。随后，使用一组22个宇宙学zoom模拟，我们在Enzo中调整一种流行的恒星形成与反馈模型的参数以匹配模拟。所调整的参数包括恒星形成效率、恒星反馈热能量的耦合，以及能量沉积的体积。这一数量意味着相较人工校准有超过三倍的改进。尽管使用了更少的模拟，我们仍获得了与银河系（MW）大小晕的观测重子组成更好的一致性。切换到不同策略后，我们提高了机器推荐参数的一致性。鉴于校准的成功，我们随后将该技术应用于利用孤立星系调和基于网格与基于粒子的模拟代码之间的金属输运。这相较人工探索有所改进，同时暗示了扩散系数与晕区金属质量之间一个鲜为人知的关系。结论认为，采用机器学习方法对子网格模型参数进行探索与校准具有通用性，并可直接应用于不同问题。
引用
@article{arxiv.2203.06914,
title = {Machine-guided Exploration and Calibration of Astrophysical Simulations},
author = {Boon Kiat Oh and Hongjun An and Eun-jin Shin and Ji-hoon Kim and Sungwook E. Hong},
journal= {arXiv preprint arXiv:2203.06914},
year = {2022}
}