TUNeS：跨红移尺度结构的神经模拟

本工作引入TUNeS（Temporal UNet模拟器 for Structure formation），一个神经网络框架，用于通过预测从初始粒子分布到非线性物质密度场的演化来加速N体模拟。TUNeS采用两阶段建模策略，将基于粒子的推断与在规则网格上的密度场细化相结合，实现对大尺度和小尺度结构的精确重构。该模型被设计为能够跨红移运行，能够对任意输入红移的粒子快照并预测任意目标红移的密度场。在本工作中，我们使用在 $z=100$ 初始化的模拟，对多个较低红移的预测进行评估。仅用八个N体模拟训练的TUNeS在高斯和非高斯统计量上（包括二点相关、一点分布、峰值计数和三维Minkowski 量）均能获得良好的一致性。特别是在 $k \simeq 1\,h\,\mathrm{Mpc}^{-1}$ 处，功率谱误差保持在个位数水平。从 $256^3$ 粒子到 $256^3$ 密度网格的端到端推断可在单块 GPU 上完成，耗时约为25秒。得益于其体系结构设计，模型能够通过粒子批处理和基于窗口的细化自然地扩展到更大的粒子数和更大的体积。