用深度回归网络预测 N 体模拟中的暗物质晕形成
宇宙学与河外天体物理
2020-07-15 v1 天体物理仪器与方法
摘要
暗物质晕在宇宙结构形成中起着基础作用。对其聚集机制建模的最常见方法是通过 N 体模拟。在本工作中,我们提出一种创新路径,利用深度学习算法从初始密度场预测暗物质晕的形成。我们实现并训练了一个深度卷积神经网络(DCNN)来解决从暗物质晕将凝聚的拉格朗日斑块中复原的任务。该体积多标签分类任务通过欧氏距离变换转化为回归问题。该网络辅以自适应分水岭算法,以构成完整的原晕识别流程。我们表明,将分割问题拆分为两个不同子任务可训练更小更快的网络,而流程的预测能力保持不变。该模型在源自单次完整 N 体模拟的合成数据上训练,在重建 z=0 处的暗物质晕质量函数时达到约 10% 的偏差。该方法代表了学习原初密度场中高度非线性关系的一个有前景的框架。作为一个实际应用,我们的方法可用于直接从 N 体模拟的初始条件生成模拟暗物质晕目录。
引用
@article{arxiv.1912.04299,
title = {Predicting dark matter halo formation in N-body simulations with deep regression networks},
author = {Mauro Bernardini and Lucio Mayer and Darren Reed and Robert Feldmann},
journal= {arXiv preprint arXiv:1912.04299},
year = {2020}
}
备注
10 pages, 8 figures, 1 table, submitted to MNRAS, comments welcome