利用神经比率估计重建N体模拟的晕团聚类与晕质量函数
宇宙学与河外天体物理
2022-06-24 v1
摘要
高分辨率宇宙学N体模拟是刻画暗物质晕形成与聚类的优秀工具。这些模拟暗示了由一组有效物理参数支配的复杂晕形成物理理论。我们的目标是在贝叶斯框架下提取这些参数及其不确定性。我们通过直接比较从宇宙学模拟提取的暗物质密度投影图与由解析晕模型生成的密度投影图，向该过程的自动化迈进一步。该模型基于两体关联函数的简化实现。为此，我们使用边缘神经比率估计——一种基于模拟的推断算法，可通过神经网络逼近边缘似然与证据之比来估计边缘后验。在本例中，我们用模拟图像训练神经网络以识别生成给定图像的物理参数正确值。将训练好的神经网络用于宇宙学N体模拟图像，我们能够重建晕质量函数、生成类似于N体模拟图像的模拟图像，并在其与训练数据具有相同的聚类前提下识别这些图像中晕的最低质量。我们的结果表明，这是通往神经网络辅助宇宙学模拟之路上一种有前景的方法。
引用
@article{arxiv.2206.11312,
title = {Towards reconstructing the halo clustering and halo mass function of N-body simulations using neural ratio estimation},
author = {Androniki Dimitriou and Christoph Weniger and Camila A. Correa},
journal= {arXiv preprint arXiv:2206.11312},
year = {2022}
}