神经网络加速大尺度结构理论计算
宇宙学与河外天体物理
2022-05-11 v3 天体物理仪器与方法
摘要
我们利用神经网络加速星系成团性与弱引力透镜数据分析所需的功率谱计算。对于现代微扰理论代码，单一宇宙学及红移的求值时间可达约两秒量级。结合使用玻尔兹曼求解器计算线性预言的相近时间，这些计算是许多当代大尺度结构分析的瓶颈。在本工作中，我们为物质功率谱、实空间与红移空间星系功率谱以及星系—物质交叉功率谱的拉格朗日微扰理论（LPT）预言构建了基于神经网络的替代模型，在 CDM 参数空间中广泛尺度范围内达到 （一倍标准差）的精度。该神经网络替代模型可在约一毫秒内求值，比完整的玻尔兹曼代码与LPT计算快1000倍。在一个模拟的全形状红移空间星系功率谱分析中，我们证明使用替代模型所得后验与使用完整LPT模型所得后验一致。我们在 https://github.com/sfschen/EmulateLSS 公开了替代模型，以便他人利用其提供的速度提升实现分析设置的快速迭代，这在复杂的当代大尺度结构分析中至关重要。
引用
@article{arxiv.2112.05889,
title = {Neural Network Acceleration of Large-scale Structure Theory Calculations},
author = {Joseph DeRose and Shi-Fan Chen and Martin White and Nickolas Kokron},
journal= {arXiv preprint arXiv:2112.05889},
year = {2022}
}
备注
12 pages, 4 figures, models available at https://github.com/sfschen/EmulateLSS