利用深度卷积神经网络预测局部原初恒星形成

我们研究将 3D 深度卷积神经网络作为流体动力学宇宙学模拟中首批星系原初恒星形成与反馈效应的快速代理模型。本文给出预测局部原初恒星形成的代理模型；反馈模型将于后续论文给出。恒星形成预测模型由两个子模型组成：第一个是 3D 体分类器，预测哪些 (10 comoving kpc)$^3$ 体元将发生恒星形成，其后是由 3D 基于 Inception 的 U-net 体素分割模型预测哪些体素将形成原初恒星。我们发现组合模型以高技巧预测原初恒星形成体元，其 $F_1 >0.995$、真技巧分数 $>0.994$。恒星形成在体元内定位于 $\lesssim5^3$ 个体素（$\sim1.6$ comoving kpc$^3$），其 $F_1>0.399$、真技巧分数 $>0.857$。应用于低空间分辨率模拟时，该模型在显式建模原初恒星形成与反馈的高分辨率全物理模拟中相同的位置与相近的红移处预测恒星形成区域。当应用于较低质量分辨率模拟时，我们发现模型因较低质量分辨率导致的结构形成延迟而在较晚红移预测恒星形成区域。我们的模型无需晕找便可预测原初恒星形成，因而可用于无法分辨原初恒星形成晕的空间欠分辨模拟。据我们所知，这是首个能预测与高分辨宇宙学模拟相匹配的原初恒星形成区域的模型。