利用星系进行鲁棒场级无似然推断

我们训练图神经网络，利用 CAMELS 项目最先进流体动力学模拟的星系目录执行场级无似然推断。我们的模型具有旋转、平移与置换不变性，且不对尺度施加任何截断。从仅含 $\sim 1,000$ 个星系在微小 $(25~h^{-1}{\rm Mpc})^3$ 体积内的三维位置与径向速度的星系目录中，我们的模型能以约 $12$% 精度推断 $\Omega_{\rm m}$ 的值。更重要的是，通过在来自数千个流体动力学模拟的星系目录上测试模型——每个模拟具有不同超新星与 AGN 反馈效率，由五种不同的代码与子网格模型（IllustrisTNG、SIMBA、Astrid、Magneticum、SWIFT-EAGLE）运行——我们发现我们的模型对天体物理、子网格物理以及子晕/星系寻找器的变化具有鲁棒性。此外，我们在覆盖广阔参数空间（ $5$ 个宇宙学参数与 $23$ 个天体物理参数的变化）的 $1,024$ 个模拟上测试模型，发现其外推能力极强。我们的结果表明，构建鲁棒模型的关键在于同时使用星系位置与速度，暗示网络很可能学到了一种不依赖于星系形成、且在大于 $\sim10~h^{-1}{\rm kpc}$ 尺度上有效的潜在物理关系。