基于暗物质晕的稳健场级推断

我们在来自 Gadget N 体模拟的晕目录上训练图神经网络，以执行宇宙学参数的场级无似然推断。目录包含在 $(25~h^{-1}{\rm Mpc})^3$ 周期体积内质量 $\gtrsim 10^{10}~h^{-1}M_\odot$ 的 $\lesssim$5000 个晕；目录中每个晕由位置、质量、速度、浓度和最大圆周速度等若干属性刻画。我们构建的模型具有置换、平移和旋转不变性，不施加提取信息的最小尺度，并能推断 $\Omega_{\rm m}$ 和 $\sigma_8$ 的值，当分别使用位置加速度和位置加质量时，平均相对误差约 $6\%$。更重要的是，我们发现模型非常稳健：当使用来自以五种不同 N 体代码 Abacus、CUBEP$^3$M、Enzo、PKDGrav3 和 Ramses 运行的数千个 N 体模拟的晕目录测试时，它们可推断 $\Omega_{\rm m}$ 和 $\sigma_8$ 的值。令人惊讶的是，训练用于推断 $\Omega_{\rm m}$ 的模型在测试于以四种不同代码和子网格物理实现运行的数千个最先进 CAMELS 流体动力学模拟时也有效。使用浓度和最大圆周速度等晕属性使我们的模型能提取更多信息，代价是破坏模型的稳健性。这可能是因为不同 N 体代码在对应于这些参数的相关尺度上未收敛。