利用快速生成训练数据进行概率宇宙网分类

我们提出了一种利用监督机器学习算法在三维空间中对宇宙网粒子进行稳健概率分类的新方法。训练数据使用简化的 $\Lambda$CDM 玩具模型生成，该模型具有用于生成晕、纤维状结构和空洞的预定算法。虽然该框架不受物理建模约束，但其生成速度可比 N 体模拟快得多，且不损失分类精度。对该数据集中的每个粒子，测量了局域密度场的大小与方向性。这些测量用于训练随机森林算法，该算法被用于为包含 $256^3$ 个粒子的 $\Lambda$CDM 仅暗物质 N 体模拟以及另一个玩具模型数据集中的每个粒子分配类别概率。通过比较使用不同特征集为每个数据集中粒子所分配类别的 ROC 曲线趋势及其他统计度量，我们证明了局域密度场大小与方向性测量的组合能够在不同环境中准确且一致地分类晕、纤维状结构和空洞粒子。我们还表明，该训练特征组合确保了玩具模型的构建不会影响分类。使用完全监督算法可更好地控制被认为对分类重要的信息，从而避免深度学习模型中超参数和模式崩溃所引起的问题。由于训练数据生成速度快，我们的方法具有高度可扩展性，特别适用于包括观测数据在内的大型数据集分类。