[論文レビュー] HIGAN: Cosmic Neutral Hydrogen with Generative Adversarial Networks

Juan Zamudio-Fernandez, Atakan Okan+6 more|arXiv (Cornell University)|Apr 29, 2019

Galaxies: Formation, Evolution, Phenomena参考文献 15被引用数 35

ひとこと要約

本論は Wasserstein GAN を訓練し、z=5 での高解像度3D HI分布を生成し、複数の指標で IllustrisTNG 統計と一致する。Hydrodynamic simulations に対して 10^5x の速度アップを提供する。

ABSTRACT

One of the most promising ways to observe the Universe is by detecting the 21cm emission from cosmic neutral hydrogen (HI) through radio-telescopes. Those observations can shed light on fundamental astrophysical questions only if accurate theoretical predictions are available. In order to maximize the scientific return of these surveys, those predictions need to include different observables and be precise on non-linear scales. Currently, one of the best ways to achieve this is via cosmological hydrodynamic simulations; however, the computational cost of these simulations is high -- tens of millions of CPU hours. In this work, we use Wasserstein Generative Adversarial Networks (WGANs) to generate new high-resolution ($35~h^{-1}{ m kpc}$) 3D realizations of cosmic HI at $z=5$. We do so by sampling from a 100-dimension manifold, learned by the generator, that characterizes the fully non-linear abundance and clustering of cosmic HI from the state-of-the-art simulation IllustrisTNG. We show that different statistical properties of the produced samples -- 1D PDF, power spectrum, bispectrum, and void size function -- match very well those of IllustrisTNG, and outperform state-of-the-art models such as Halo Occupation Distributions (HODs). Our WGAN samples reproduce the abundance of HI across 9 orders of magnitude, from the Ly$α$ forest to Damped Lyman Absorbers. WGAN can produce new samples orders of magnitude faster than hydrodynamic simulations.

研究の動機と目的

• 宇宙中の中性水素(HI)の高速かつ高精度な予測を、今後の21cmサーベイのために動機づける。
• 最先端の水和動力学シミュレーションから非線形の HI 存量とクラスタリングを再現するために Generative Adversarial Networks を活用する。
• 複数の統計的指標を用いて GAN 生成の HI マップを IllustrisTNG と比較・検証する。
• HI場の実現をフル水和シミュレーションより大幅に計算速度を向上させる。

提案手法

• 勾配ペナルティを持つ Wasserstein GAN (WGAN-GP) を用いて、64^3 キューブ格子上の3D HI分布への100次元多様体写像を学習する。
• z=5 で IllustrisTNG TNG100-1 から導出した3D HI密度場を訓練に用い、HI質量をグリッド化するために CIC 補間を用いる。
• 入力をサイズ64 x 64 x 64のキューブとして処理し、標準ガウス分布から抽出された100次元潜在ベクトル z を用いる。
• 生成器は生成サンプルに対するクリティック出力の負の値を最小化することを目的とする一方、クリティックは勾配ペナルティ (lambda = 10) で最適化する。
• 全結合なしの3D DCGAN様アーキテクチャを採用し、生成器には5つのデコンボリューション層、クリティックには7つの畳み込み層を持ち、ReLU/ Leaky ReLU活性化とバッチ正規化を使用。

実験結果

リサーチクエスチョン

• RQ1 GAN は IllustrisTNG から完全に非線形の HI 分布を学習し、新たな高解像度実現を生成できるか。
• RQ2 GAN 生成 HI 場が IllustrisTNG および HOD モデルと比較して 1D PDF、パワースペクトル、ビスペクトル、ボイド統計をどれだけ正確に再現するか。
• RQ3 GAN は多くのオーダーにわたる広いダイナミックレンジの HI を捉えられるか。
• RQ4 フル水和動力学シミュレーションに対する GAN 生成 HI マップの計算速度優位性はどれくらいか。
• RQ5 将来の課題として異なる HI 観測量や別の赤shifts へ一般化できるか。

主な発見

• WGAN は 関連するスケール全体で IllustrisTNG HI PDF、パワースペクトル、ビスペクトル、および void サイズ関数を高い一致度で再現する。
• WGAN サンプルは HI 豊度を9オーダーにわたって一致させ、これらの統計で HOD ベンチマークを上回る。
• GAN 生成 HI 場は Visual が IllustrisTNG 出力に視覚的に似ており、補間によって滑らかな潜在空間写像が示されている。
• WGAN は 新たな HI 実現を作成する際の計算速度を IllustrisTNG に対して約 10^5倍の高速化。
• 大尺度では WGAN のパワースペクトルが振幅と形状で IllustrisTNG に一致するが、最小尺度でいくらかの偏差。