支持向量回归算法作为再电离时期星系际介质更优模拟的工具

各类星系际介质模拟，如流体动力学模拟、N体模拟、数值与半数值模拟等，已被用于重现该介质的历史。此外，仿真器(emulator)近年来也被广泛使用。尤其因其速度极快，许多工作以之替代完整的实际模拟。仿真器借助模拟器结果进行训练，并能以近似真实模拟器的高精度运行。通常，可靠的机器学习算法（如神经网络）被用于编写这些仿真器。本工作中，我们指出可用于通用场景且具备极高精度的最佳机器学习算法之一是支持向量回归(Support Vector Regression)算法。该算法不仅从实践角度，而且从理论角度均优于多层感知机(Multilayer Perceptron)算法。为证明此点，除理论论证外，我们考量了21SSD流体动力学模拟，并运用两种算法由该模拟训练以作比较。最终我们表明，支持向量回归算法在未来仿真中可成为优于神经网络算法的更精确算法，掌握它便可完全放心地忽略其他算法。尽管本工作仅聚焦于再电离时期的星系际介质模拟，其亦可用于所有其他模拟而不论类型。换言之，它可应用于所有宇宙时期的所有流体动力学模拟、N体模拟等，并可信赖其结果。