[論文レビュー] A machine learning approach to mapping baryons onto dark matter halos using the EAGLE and C-EAGLE simulations

Christopher C. Lovell, Stephen M. Wilkins+5 more|arXiv (Cornell University)|Jun 9, 2021

Galaxies: Formation, Evolution, Phenomena参考文献 9被引用数 4

ひとこと要約

本論文では、EAGLEおよびC-EAGLEシミュレーションを用いて、ダークマター・ハローの特徴からバリオン星系の性質を予測する機械学習フレームワークを提案する。周期的およびズームシミュレーションの両方で訓練することで、フルな流体ダイナミクスシミュレーションに比べて極めて小さな計算コストで、大スケールのダークマターのみのシミュレーションにおいても、重要なバリオン分布関数および集積統計を正確に再現できる。

ABSTRACT

High-resolution cosmological hydrodynamic simulations are currently limited to relatively small volumes due to their computational expense. However, much larger volumes are required to probe rare, overdense environments, and measure clustering statistics of the large scale structure. Typically, zoom simulations of individual regions are used to study rare environments, and semi-analytic models and halo occupation models applied to dark matter only (DMO) simulations are used to study the Universe in the large-volume regime. We propose a new approach, using a machine learning framework to explore the halo-galaxy relationship in the periodic EAGLE simulations, and zoom C-EAGLE simulations of galaxy clusters. We train a tree based machine learning method to predict the baryonic properties of galaxies based on their host dark matter halo properties. The trained model successfully reproduces a number of key distribution functions for an infinitesimal fraction of the computational cost of a full hydrodynamic simulation. By training on both periodic simulations as well as zooms of overdense environments, we learn the bias of galaxy evolution in differing environments. This allows us to apply the trained model to a larger DMO volume than would be possible if we only trained on a periodic simulation. We demonstrate this application using the $(800 \; \mathrm{Mpc})^3$ P-Millennium simulation, and present predictions for key baryonic distribution functions and clustering statistics from the EAGLE model in this large volume.

研究の動機と目的

• フルな流体ダイナミクスシミュレーションが非現実的となる大スケールの宇宙論的領域において、星系のバリオン的性質を計算的に効率よく予測する手法を開発すること。
• 周期的EAGLEシミュレーションと過密領域の高解像度C-EAGLEズームシミュレーションの両方を用いて訓練することで、星系進化における環境バイアスを学習すること。
• EAGLEモデルを、(800 Mpc)^3のP-Millenniumシミュレーションのような大スケールのダークマターのみのシミュレーションに適用可能とし、宇宙論的集積統計を可能とすること。
• フルな流体ダイナミクスシミュレーションに比べて極めて低い計算コストで、重要なバリオン分布関数および集積特性を再現すること。

提案手法

• 木構造に基づく機械学習モデルを訓練し、主なダークマター・ハローの特徴（質量、濃度、形成時刻など）から星系のバリオン的性質（例：星の質量、ガス含量）を予測する。
• 訓練データは、周期的EAGLEシミュレーションおよび銀河クラスタの高解像度C-EAGLEズームシミュレーションから得られ、環境依存性を捉える。
• 低密度領域と高密度領域の対比を活用することで、ハローと星系の関係、特に異なる環境における星系進化のバイアスをモデルが学習する。
• 訓練済みモデルを、(800 Mpc)^3のP-Millenniumダークマターのみのシミュレーションに適用し、バリオン的性質および集積統計の予測を生成する。
• モデルの性能は、元のEAGLEシミュレーションの分布関数および集積統計と比較することで検証される。

実験結果

リサーチクエスチョン

• RQ1 限定的な流体ダイナミクスシミュレーションで訓練された機械学習モデルは、大スケールのダークマターのみのシミュレーションにおいて、バリオン星系の性質を正確に予測できるか？
• RQ2 ハローと星系の関係は、低密度領域と高密度領域でどのように異なるのか？ そして、その差を1つのモデルで捉えることができるか？
• RQ3 モデルは、大スケールのシミュレーションにおいて、どの程度の精度で重要なバリオン分布関数および集積統計を再現できるか？
• RQ4 フルな流体ダイナミクスシミュレーションと比較して、MLモデルはどの程度の計算コストの削減が可能か？

主な発見

• 訓練済みの機械学習モデルは、広い動的範囲にわたり、星の質量関数やガス分率分布といった重要なバリオン分布関数を高い忠実度で再現できた。
• モデルは大規模構造における星系の集積統計を正確に予測し、元のEAGLEシミュレーションの結果と一致した。
• 周期的シミュレーションとズームシミュレーションの両方のデータを組み込むことで、星系進化における環境バイアスを捉え、過密領域における予測精度が向上した。
• フルな流体ダイナミクスシミュレーションに比べて極めて小さな計算コストで、(800 Mpc)^3のP-Millenniumダークマターのみのシミュレーションにおける予測が可能になった。