基于扩散模型的概率性星系场生成
宇宙学与河外天体物理
2024-12-13 v2 星系天体物理
计算物理
摘要
在精密宇宙学时代，生成准确且大规模的星系目录对于深化我们对宇宙的理解至关重要。随着当前和即将到来的任务带来海量宇宙数据，生成与这些观测相比较的理论预测对于约束关键宇宙参数至关重要。虽然传统方法如星系分布占用率（HOD）提供了基础见解，但在准确性和计算效率之间难以实现平衡。高保真流体动力学模拟提供了更精确的精度，但计算昂贵且资源密集。在本工作中，我们引入一种新型机器学习方法，利用卷积神经网络（CNN）和扩散模型，在 CAMELS 模拟套件上训练，弥合昂贵的流体动力学模拟与更低成本暗物质模拟之间星系分布的差距。我们的方法不仅在准确性上超过传统 HOD 技术，还显著加速了模拟过程，为下一代宇宙调查提供了可扩展解决方案。这一突破有潜力彻底变革星系目录的生成，使我们能够更精确、数据驱动的宇宙学分析。
引用
@article{arxiv.2412.05131,
title = {Probabilistic Galaxy Field Generation with Diffusion Models},
author = {Tanner Sether and Elena Giusarma and Mauricio Reyes-Hurtado},
journal= {arXiv preprint arXiv:2412.05131},
year = {2024}
}
备注
6 pages, 3 figures, 1 table. Published to Machine Learning and the Physical Sciences Workshop at the 38th conference on Neural Information Processing Systems (NeurIPS) (https://ml4physicalsciences.github.io/2024/)