大规模 21 cm 光锥图像的多保真模拟器：基于生成对抗网络的 few-shot 迁移学习方法
天体物理仪器与方法
2025-09-04 v2 宇宙学与河外天体物理
摘要
使用机器学习技术的模拟器已涌现作为大型调查卷积的替代方法，以匹配即将到来的实验的大规模数值模拟。然而，随着模拟体积增长到数百兆米，高保真模拟器变得计算昂贵。本文提出一种针对再电化时代大规模 21~cm 光锥图像的多保真模拟方法，通过应用 few-shot 迁移学习来训练生成对抗网络（GAN）从小尺度到大尺度模拟。具体而言，先用大量小尺度模拟训练 GAN 模拟器，然后仅使用有限数量的大尺度模拟进行迁移学习，以模拟大尺度 21~cm 光锥图像。我们以代表性统计量检验了转移学习 GAN 模拟器的精度，包括全局 21~cm 亮度温度历史、2D 功率谱和散射变换系数。我们展示了通过转移学习训练的 GAN 模拟器生成的光锥图像在大多数情况下可达百分比级精度，大尺度误差仅略增至几个百分点。尽管如此，我们的多保真模拟技术节省了大量计算资源，后者主要用于为 GAN 生成训练样本。估计而言，完全使用大尺度模拟训练 GAN 的计算资源会比使用我们多保真技术大约高出一个数量级或两个。这意味着我们的技术允许以经济方式实现高保真、传统上计算不可行的图像模拟。
引用
@article{arxiv.2502.04246,
title = {Multi-fidelity emulator for large-scale 21 cm lightcone images: a few-shot transfer learning approach with generative adversarial network},
author = {Kangning Diao and Yi Mao},
journal= {arXiv preprint arXiv:2502.04246},
year = {2025}
}
备注
23 pages, 20 figures. Accepted for publication in ApJ. Text overlap with arXiv:2307.04976