PyBird-JAX：通过单圈星系功率谱的模型无关仿真加速大尺度结构推断
宇宙学与河外天体物理
2026-03-09 v2 天体物理仪器与方法
摘要
我们提出了 ，一个基于 的 可微实现，使用内部神经网络仿真器加速计算成本高昂的操作，以实现快速的大尺度结构（LSS）分析。 在 CPU 上仅需 1.2 毫秒、在 GPU 上仅需 0.2 毫秒即可计算出红移空间星系功率谱多极的 EFTofLSS 单圈预测，比 实现了 3-4 个数量级的加速。该仿真器采用基于样条的输入线性功率谱 紧凑表示作为特征向量，使得该方法适用于广泛的宇宙学模型。我们针对大体积模拟和 BOSS 数据严格验证了其准确性，包括训练集中未明确表示的宇宙学。利用自动微分， 支持 Fisher 预测、模型预测的 Taylor 展开、基于梯度的搜索和向量化集成采样。通过与多种采样器和 Boltzmann 求解器接口， 提供了高性能的端到端推断流水线。结合符号 生成器，典型的 Stage-4 LSS MCMC 可在 GPU 上几分钟内收敛。我们的结果表明， 提供了即将到来的 LSS 巡天所需的精度和速度，为以最小精度损失且无需预训练的加速宇宙学推断打开了大门。在配套论文 [1] 中，我们利用 实现了通过非平坦测度摆脱体积投影效应的 LSS 边缘化约束。
引用
@article{arxiv.2507.20990,
title = {PyBird-JAX: Accelerated inference in large-scale structure with model-independent emulation of one-loop galaxy power spectra},
author = {Alexander Reeves and Pierre Zhang and Henry Zheng},
journal= {arXiv preprint arXiv:2507.20990},
year = {2026}
}
备注
30 + 14 pages, 9 figures, 4 tables, V2: matches version accepted in JCAP. The PyBird-JAX code is available at https://github.com/pierrexyz/pybird