物理信息神经网络在由暗物质重建流体动力学模拟中的应用
宇宙学与河外天体物理
2023-10-20 v2 星系天体物理
机器学习
机器学习
摘要
物理信息神经网络已成为构建结合统计模式与领域知识的预测模型的一致框架。其基本概念是用已知关系丰富优化损失函数，以约束可能解的空间。流体动力学模拟是现代宇宙学的核心组成部分，而所需的计算既昂贵又耗时。与此同时，相对快速的暗物质模拟需要更少的资源，这导致了重子修复（baryon inpainting）机器学习算法的兴起，成为一个活跃的研究领域；在此领域中，重建流体动力学模拟中的散布（scatter）是一项持续的挑战。本文通过将神经网络架构的进展与物理约束相结合，首次将物理信息神经网络应用于重子修复，将关于重子转换效率的理论注入模型损失函数。我们还引入了一种基于 Kullback-Leibler 散度的惩罚性预测比较，以强制重现散布。通过同时为 Simba 宇宙学模拟套件提取完整的重子属性集，我们的结果表明基于暗物质晕属性对重子预测的精度得到提高，成功恢复了基本金属丰度关系，并检索到追踪目标模拟分布的散布。
引用
@article{arxiv.2303.14090,
title = {Physics-informed neural networks in the recreation of hydrodynamic simulations from dark matter},
author = {Zhenyu Dai and Ben Moews and Ricardo Vilalta and Romeel Dave},
journal= {arXiv preprint arXiv:2303.14090},
year = {2023}
}