将宇宙模拟的笛卡尔切片图用作卷积神经网络的输入

我们采用均匀划分的立方体单元覆盖基于粒子的$\Lambda$CDM 宇宙模拟的整个体积。我们将可视化单元定义为立方体单元的空间延伸，以收集该可视化单元内包含的所有模拟粒子，以创建一系列笛卡尔图，其中物质密度的过丰度清晰可见。随后，我们将这些图作为基于Keras库和TensorFlow的卷积神经网络（CNN）用于图像分类。为为每个图分配类别，我们在立方体单元中心逼近引力势的 Hessian。每个选定的立方体单元随后根据其Hessian矩阵进行Householder分解得到的正特征值数量被标记为1、2或3。我们应用CNN于多个模型，其中包括两个具有不同可视化体积的模型，一种为类型L（大）单元大小，另一种为类型S（小）单元。第三个模型组合了前两种L和S单元类型的图。到目前为止，我们主要考虑沿XY平面的切片以制作图。最后一个模型基于包括沿ZX和ZY平面的切片的可视化单元。我们发现对图进行分类的准确率是可接受的，模型预测类别的能力也很好。这些结果使我们能够证明本文的目标，即通常的笛卡尔图包含足够的信息来识别宇宙网的观察结构。