[論文レビュー] Fast and Accurate Non-Linear Predictions of Universes with Deep Learning

Renan Alves de Oliveira, Yin Li+3 more|arXiv (Cornell University)|Dec 1, 2020

Galaxies: Formation, Evolution, Phenomena参考文献 16被引用数 20

ひとこと要約

本稿では、線形密度場予測を非線形な宇宙論的構造予測に変換するV-Netに基づく深層学習モデルを提案する。このモデルは、k ≈ 1 h/Mpcまで約1%の精度を達成する。モデルは、最先端の高速近似手法（COLA）の2倍速く、フルN体シミュレーションの1,000倍以上も高速であり、宇宙論的パラメータが著しく異なる宇宙に対しても良好に一般化する。

ABSTRACT

Cosmologists aim to model the evolution of initially low amplitude Gaussian density fluctuations into the highly non-linear "cosmic web" of galaxies and clusters. They aim to compare simulations of this structure formation process with observations of large-scale structure traced by galaxies and infer the properties of the dark energy and dark matter that make up 95% of the universe. These ensembles of simulations of billions of galaxies are computationally demanding, so that more efficient approaches to tracing the non-linear growth of structure are needed. We build a V-Net based model that transforms fast linear predictions into fully nonlinear predictions from numerical simulations. Our NN model learns to emulate the simulations down to small scales and is both faster and more accurate than the current state-of-the-art approximate methods. It also achieves comparable accuracy when tested on universes of significantly different cosmological parameters from the one used in training. This suggests that our model generalizes well beyond our training set.

研究の動機と目的

• 現在、1回のシミュレーションあたり数百万CPU時間が必要な、宇宙における非線形構造形成の計算コストを低減すること。
• 広いスケール範囲、特に極めて非線形な領域を含む、さまざまなスケールでフルN体シミュレーションを正確にエミュレートできる機械学習モデルの開発。
• COLAのような既存の高速近似手法を上回り、より高い精度とより速い推論時間を達成すること。
• 訓練分布から著しく異なる宇宙論的パラメータを持つ宇宙に対しても、モデルの一般化性能が効果的に機能するかをテストすること。
• 近い将来の大型宇宙望遠鏡観測計画に向けた、効率的で高精度の理論的予測を可能にすること。

提案手法

• モデルはV-Netアーキテクチャを用い、線形理論の変位場（Ψ_lin）をN体シミュレーションが予測する完全な非線形変位場（Ψ）にマッピングする。
• 入力データは初期条件からの線形理論予測であり、目標はQuijoteスイートに含まれる210回のフルN体シミュレーションの最終変位場である。
• 訓練データセットには、Planck 2018と整合する宇宙論的パラメータを用いた、512³粒子を含む(Gpc/h)³ボリュームの180回のシミュレーションが含まれる。
• モデルは、10ステップと128³粒子のみを用いるCOLAという高速近似手法およびフルN体シミュレーションと比較評価される。
• 一般化性能は、Ω_m、Ω_b、h、n_s、σ_8の極端な値を含む2,000個の宇宙に対してテストされる。
• 推論は1枚のGPU（NVIDIA Tesla P100）で実行され、COLAの20コアCPU実行およびN体シミュレーションの48コア実行と比較して実行時間を測定する。

実験結果

リサーチクエスチョン

• RQ1 深層ニューラルネットワークは、小スケール（k ≈ 1 h/Mpc）において線形初期条件から非線形宇宙論的構造形成を正確に予測できるか？
• RQ2 提案モデルの性能は、精度と速度の両面で最先端の高速近似手法（COLA）と比べてどの程度か？
• RQ3 モデルは、訓練データセットから著しく離れた宇宙論的パラメータを持つ宇宙に対し、どの程度一般化できるか？
• RQ4 モデルは、小スケール非線形特徴において1%未満の精度を達成しながらも、高い計算効率を維持できるか？
• RQ5 モデルは、Ω_b/Ω_m比が低い宇宙、あるいはσ_8やhの極端な値を持つ宇宙に対しても高い精度を維持できるか？

主な発見

• モデルは、k ≈ 1 h/Mpcまで変位場および密度場の予測で約1%の精度を達成し、極めて非線形な領域でも同様の性能を示す。
• モデルは、すでに宇宙論的シミュレーション高速化分野で最先端とされるCOLAの2倍速く、性能を上回る。
• モデルは、20コアで約10⁵秒を要するフルN体シミュレーションの1,000倍以上も高速である。
• 訓練データセットとは著しく異なる宇宙論的パラメータを持つ宇宙に対しても、訓練時の宇宙と同等の精度を維持して優れた一般化性能を示す。
• COLAはシミュレーションの宇宙論に明示的にチューニングされているにもかかわらず、すべてのスケールおよびテストされた宇宙論的パラメータにおいて、モデルはCOLAを精度面で上回る。
• 相関係数（r² > 0.99）と低い平均二乗誤差により、変位場および密度場の両方に対して高い精度を維持していることが確認された。