利用模块化等变集合神经网络预测热 Sunyaev-Zel'dovich 场
摘要
理论不确定性限制了我们从重子场(如热 Sunyaev-Zel'dovich (tSZ) 效应)中提取宇宙学信息的能力。tSZ 效应由电子压力场产生，依赖于重子物理，通常借助昂贵的流体动力学模拟来建模。我们在 IllustrisTNG-300 宇宙学模拟上训练神经网络，以从仅引力模拟预测星系团中的连续电子压力场。对星系团建模对神经网络而言具有挑战性，因为大部分气体压力集中在少数体素中，且即便最大的流体动力学模拟也仅包含数百个可用于训练的星系团。我们未采用传统的卷积神经网络(CNN)架构，而是选择使用旋转等变 DeepSets 架构直接作用于暗物质粒子集合。我们认为基于集合的架构相比 CNN 具有明显优势。例如，我们可以强制精确的旋转和置换等变性，融入关于 tSZ 场的已有知识，并处理宇宙学中标准的稀疏场。我们将架构组合为若干独立的、具有物理意义的模块，使其易于解释。例如，我们可以分别研究局部与星系团尺度环境的影响，确定星系团三轴性影响可忽略，并训练一个修正中心偏移的模块。我们的模型相比拟合同一模拟数据的解析轮廓提升了 70%。我们认为电子压力场作为仅引力模拟的函数具有内在随机性，并通过条件 VAE 对网络的扩展来建模该性质。这一改进进一步带来 7% 的提升，但受限于我们较小的训练集。(节略)
引用
@article{arxiv.2203.00026,
title = {Predicting the Thermal Sunyaev-Zel'dovich Field using Modular and Equivariant Set-Based Neural Networks},
author = {Leander Thiele and Miles Cranmer and William Coulton and Shirley Ho and David N. Spergel},
journal= {arXiv preprint arXiv:2203.00026},
year = {2022}
}
备注
11 pages, 5 figures; condensed version accepted at the Fourth Workshop on Machine Learning and the Physical Sciences (NeurIPS 2021) as "Equivariant and Modular DeepSets with Applications in Cluster Cosmology"; revised version accepted by MLST includes numerous clarifications and a new appendix comparing to CNN