$\texttt{PineTree}$：面向宽场星系调查的生成式、快速且可微哈罗模型

模拟哈罗目录是 developing and validating cosmological inference pipelines 必不可少的数据产品。生成模拟目录的主要挑战之一是 modeling 哈罗或星系偏差，这是从物质密度映射到暗物质哈罗或可观测星系的过程。 N-body 代码产生 state-of-the-art 目录。However，对于大容量， requires significant computational time。我们引入并基准测试了一个可微且 physics-informed 的神经网络，可生成与 full N-body 代码相当质量的模拟哈罗目录。该模型设计在训练过程中和生产大规模模拟套装方面都具有计算效率。我们 presented 一个神经网络，该网络仅依赖于 18 到 34 个可训练参数，即可从暗物质过密度场生成哈罗目录。通过将受 first principles 激发的对称性纳入模型架构来实现网络权重的减少。我们使用不同分辨率、红移和质量区间的 dark matter only N-body 模拟进行训练。在使用不同的 N-point 相关函数将其与 N-body 哈罗目录进行比较验证最终的模拟目录。Our model produces 与 reference simulations 一致的模拟哈罗目录，表明该新型网络是生成即将到来的宽场调查模拟数据的有前景的方法，由于其计算效率。此外，我们发现该网络可以在 approximate overdensity fields 上进行训练，以进一步降低计算成本。我们还 present 了如何解释训练好的网络参数以获得结构形成物理洞察。最后，我们讨论了该模型的当前局限性以及更 general halo mock 生成的要求和注意事项。