使用神经网络填充大规模 N 体模拟中的 LRGs

像暗能量光谱仪（DESI）这样的国家顶尖宇宙调查需要高分辨率、大容量的模拟。然而，在这些规模下进行流体力学模拟的计算成本是不可接受的。相反，采用仅含暗物质（DM）的模拟，并通过后验方法填充星系，通常是采用光谱分布（HOD）模型。虽然这种方法有效，但 HOD 模型是统计性的，缺乏完整的物理动机。在本工作中，我们探索使用神经网络（NN）学习 DM 星系与星系属性之间的复杂、以物理为导向的关系。我们在小容量、高分辨率的流体力学模拟上对 NN 进行训练，使其预测更大规模 DM-only 模拟中星系的属性，并确定哪些星系应被分类为光亮红色星系（LRGs）。将原始 LRG 样本与由 NN 生成的样本进行比较，我们发现虽然次星系质量分布相似，但我们的 NN 选取的 LRG 主宿星系更少，可能是由于 DM-only 模拟中缺乏星系反馈效应。这种反馈可能使星系变亮或变红，从而改变其分类。最后，我们通过拟合 NN 生成的 LRG 样本中的 HOD 模型生成了新的 LRG 样本。我们验证了 HOD 和 NN 生成的样本保留了一组偏差参数关系，这些关系假设更高阶参数 $b_{s2}$ 和 $b_{3\rm{nl}}$ 由线性偏差参数 $b_{1}$ 决定。这些关系常用于简化聚类分析。