[論文レビュー] The CAMELS project: Expanding the galaxy formation model space with new ASTRID and 28-parameter TNG and SIMBA suites

Yueying Ni, Shy Genel+13 more|arXiv (Cornell University)|Apr 4, 2023

Galaxies: Formation, Evolution, Phenomena被引用数 9

ひとこと要約

CAMELS-ASTRIDはASTRIDベースの新しい水力学シミュレーションスイートを導入し、CAMELSを28パラメータのTNGとSIMBA拡張セットで拡張し、多様な銀河形成パラメータ空間に渡るMLモデルのロバスト性が向上することを示します。

ABSTRACT

We present CAMELS-ASTRID, the third suite of hydrodynamical simulations in the Cosmology and Astrophysics with MachinE Learning (CAMELS) project, along with new simulation sets that extend the model parameter space based on the previous frameworks of CAMELS-TNG and CAMELS-SIMBA, to provide broader training sets and testing grounds for machine-learning algorithms designed for cosmological studies. CAMELS-ASTRID employs the galaxy formation model following the ASTRID simulation and contains 2,124 hydrodynamic simulation runs that vary 3 cosmological parameters ($Ω_m$, $σ_8$, $Ω_b$) and 4 parameters controlling stellar and AGN feedback. Compared to the existing TNG and SIMBA simulation suites in CAMELS, the fiducial model of ASTRID features the mildest AGN feedback and predicts the least baryonic effect on the matter power spectrum. The training set of ASTRID covers a broader variation in the galaxy populations and the baryonic impact on the matter power spectrum compared to its TNG and SIMBA counterparts, which can make machine-learning models trained on the ASTRID suite exhibit better extrapolation performance when tested on other hydrodynamic simulation sets. We also introduce extension simulation sets in CAMELS that widely explore 28 parameters in the TNG and SIMBA models, demonstrating the enormity of the overall galaxy formation model parameter space and the complex non-linear interplay between cosmology and astrophysical processes. With the new simulation suites, we show that building robust machine-learning models favors training and testing on the largest possible diversity of galaxy formation models. We also demonstrate that it is possible to train accurate neural networks to infer cosmological parameters using the high-dimensional TNG-SB28 simulation set.

研究の動機と目的

• 多様な銀河形成モデルにわたりバリオニック不確実性を周辺化することで、堅牢な宇宙論パラメータ推定を動機づける。
• CAMELS-TNGとCAMELS-SIMBAと比較する第三の水力学系CAMELSスイートとしてCAMELS-ASTRIDを導入する。
• 機械学習のロバスト性と外挿を検証するため、拡張パラメータ空間を持つ拡張シミュレーションセットを提示する。
• より広いモデル多様性が宇宙論パラメータ推定におけるML性能に与える影響を評価する。

提案手法

• ASTRIDベースのサブグリッド物理モデルと4つのフィードバックパラメータ（A_SN1、A_SN2、A_AGN1、A_AGN2）およびそれらが星形成およびAGNフィードバックをどのように調節するかを説明する。
• 拡張シミュレーションセットを導入する：TNG-SB28（28パラメータ、Sobolサンプリング）、TNG-1P-28（新規22パラメータの1つずつ変動）、SIMBA-1P-28（同様の22パラメータ）、およびASTRID-SBOb（Omega_bを6つの基準パラメータで変化）
• 質量密度場の物質パワースペクトルと気体特性に対するバリオニック効果の点で、ASTRID、TNG、SIMBAのフェデキアルモデルを比較する。
• MLの訓練と評価を可能にするため、25 h^{-1} Mpcボックス、各種種ごとに256^3粒子、マージャーツリー用に91スナップショットのシミュレーションを提供する。
• 多様なモデル空間での訓練が宇宙論パラメータ推定のMLロバスト性を向上させることを実証する。

実験結果

リサーチクエスチョン

• RQ1 銀河形成モデル空間を拡張する（ASTRID、TNG、SIMBA）は、MLベースの宇宙論パラメータ推定のロバスト性にどう影響するか？
• RQ2 ASTRIDスイートで訓練されたMLモデルは、TNGやSIMBAのみで訓練されたモデルより、他の水力学シミュレーションへより良く外挿できるか？
• RQ3 高次元パラメータ拡張（28-parameterセット）を導入することが、宇宙論および天体物理学パラメータの推定に与える影響は何か？
• RQ4 バリオニック物理を周辺化する際、複数のサブグリッドモデルのシミュレーションを組み合わせると、宇宙論推定の精度とロバスト性が向上するか？
• RQ5 赤方偏移をまたぐような物質パワースペクトルなどの観測量に、バリオニックフィードバックパラメータの変動がどのような影響を与えるか？

主な発見

• ASTRID fiducial model exhibits milder AGN feedback and weaker baryonic suppression of the matter power spectrum compared to TNG and SIMBA.
• The ASTRID-based training set covers broader variation in galaxy populations and baryonic effects, potentially improving ML extrapolation to other hydrodynamic suites.
• Extension sets (TNG-SB28, TNG-1P-28, SIMBA-1P-28, ASTRID-SBOb) demonstrate the large, high-dimensional space of galaxy formation parameters and their non-linear interplay with cosmology.
• Neural networks can be trained to infer cosmological parameters using the high-dimensional TNG-SB28 set, showing feasibility of learning in 28-parameter spaces when diversity is large.
• CAMELS shows that ML models trained on larger parameter diversity yield more robust performance across different simulation suites.