$\texttt{matryoshka}$：星系功率谱的晕模型仿真器

我们提出 $\texttt{matryoshka}$，一套基于神经网络的仿真器及配套的 Python 软件包，其开发目标是快速且准确地预测非线性星系功率谱。该仿真器套件由四个线性分量仿真器组成，由此可对功率谱进行快速线性预测，并使所有非线性效应都能通过非线性增强分量仿真器纳入预测中。线性分量仿真器包含一个物质转移函数仿真器，可在 $\sim 0.0004\ \mathrm{s}$ 内给出预测，在 $10^{-4}\ h\ \mathrm{Mpc}^{-1}<k<10^1\ h\ \mathrm{Mpc}^{-1}$ 尺度上误差小于 $0.08\%$（在 $1\sigma$ 水平）。本文中我们通过使用由 HALOFIT 计算的解析训练数据来训练非线性增强分量仿真器以展示 $\texttt{matryoshka}$，该训练数据旨在复现由数值模拟生成的训练数据。结合所有分量仿真器的预测，我们在预测实空间非线性星系功率谱（尺度 $0.0025\ h\ \mathrm{Mpc}^{-1}<k<1\ h\ \mathrm{Mpc}^{-1}$）时达到了 $<0.75\%$（在 $1\sigma$ 水平）的精度。我们利用 $\texttt{matryoshka}$ 通过开展若干实空间星系功率谱的全形状分析，研究了分析设置对宇宙学约束的影响。具体而言，我们考察了最小尺度（或 $k_\mathrm{max}$）的影响，发现将 $k_\mathrm{max}$ 从 $k_\mathrm{max}=0.25\ h\ \mathrm{Mpc}^{-1}$ 推至 $k_\mathrm{max}=0.85\ h\ \mathrm{Mpc}^{-1}$ 可使 $\sigma_8$ 的约束改善约 $1.8$ 倍，凸显了在宇宙学分析中使用如 $\texttt{matryoshka}$ 这类成团性仿真器的潜在收益。