[논문 리뷰] A machine learning approach to mapping baryons onto dark matter halos using the EAGLE and C-EAGLE simulations

Christopher C. Lovell, Stephen M. Wilkins외 5명|arXiv (Cornell University)|2021. 06. 09.

Galaxies: Formation, Evolution, Phenomena참고 문헌 9인용 수 4

한 줄 요약

이 논문은 EAGLE 및 C-EAGLE 시뮬레이션을 사용하여 어두운 물질 군집 특성에서 갈락시의 바리온 성질을 예측하는 기계학습 프레임워크를 제안한다. 주기적 및 줌 시뮬레이션 양측에서 훈련함으로써, 모델은 전체 유체역학 시뮬레이션의 계산 비용의 미미한 일부에 불과한 비용으로도 대규모 어두운 물질만 있는 시뮬레이션에서 핵심 바리온 분포 함수와 군집 통계를 정확하게 재현한다.

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.

연구 동기 및 목표

• 전체 유체역학 시뮬레이션이 불가능한 대규모 천체물리적 체적에서 바리온 갈락시 성질을 계산적으로 효율적으로 예측하는 방법을 개발하기 위해.
• 주기적인 EAGLE 시뮬레이션과 과밀 지역의 고해상도 C-EAGLE 줌 시뮬레이션을 모두 훈련 데이터로 사용하여 갈락시 진화의 환경적 편향을 학습하기 위해.
• EAGLE 모델을 (800 Mpc)^3 크기의 P-Millennium 어두운 물질만 있는 시뮬레이션과 같은 대규모 어두운 물질-only 시뮬레이션에 적용할 수 있도록 하기 위해.
• 전체 유체역학 시뮬레이션에 비해 극도로 낮은 계산 비용으로도 핵심 바리온 분포 함수와 군집 성질을 재현하기 위해.

제안 방법

• 나무 기반 기계학습 모델은 주변 어두운 물질 군집 특성(예: 질량, 농도, 형성 시점 등)에서 갈락시 바리온 성질(예: 항성 질량, 가스 함량 등)을 예측하도록 훈련된다.
• 훈련 데이터는 주기적인 EAGLE 시뮬레이션과 갈락시 클러스터의 고해상도 C-EAGLE 줌 시뮬레이션 양측에서 취득되어 환경적 의존성을 포괄한다.
• 낮은 밀도 및 과밀 지역 간의 대비를 활용하여, 군집-갈락시 관계, 특히 다양한 환경에서 갈락시 진화의 편향을 학습한다.
• 훈련된 모델은 (800 Mpc)^3 크기의 P-Millennium 어두운 물질만 있는 시뮬레이션에 적용되어 바리온 성질과 군집 통계에 대한 예측을 생성한다.
• 예측된 분포 함수와 군집 통계를 원래 EAGLE 시뮬레이션 결과와 비교하여 모델 성능을 검증한다.

실험 결과

연구 질문

• RQ1 제한된 유체역학 시뮬레이션에서 훈련된 기계학습 모델이 대규모 어두운 물질만 있는 시뮬레이션에서 바리온 갈락시 성질을 정확하게 예측할 수 있는가?
• RQ2 군집-갈락시 관계는 낮은 밀도 지역과 과밀 지역에서 어떻게 다를 수 있으며, 이러한 차이를 단일 모델이 포괄할 수 있는가?
• RQ3 모델이 대규모 시뮬레이션에서 핵심 바리온 분포 함수와 군집 성질을 어느 정도 재현할 수 있는가?
• RQ4 전체 유체역학 시뮬레이션을 실행하는 것에 비해 기계학습 모델을 사용할 경우 계산 효율성은 얼마나 향상되는가?

주요 결과

• 훈련된 기계학습 모델은 매우 넓은 동적 범위에서 높은 정밀도로 항성 질량 함수 및 가스 분율 분포와 같은 핵심 바리온 분포 함수를 성공적으로 재현한다.
• 모델은 대규모 구조에서 갈락시의 군집 통계를 정확히 예측하여 원래 EAGLE 시뮬레이션 결과와 일치한다.
• 주기적 및 줌 시뮬레이션 데이터를 모두 통합함으로써, 갈락시 진화의 환경적 편향을 포착하여 과밀 지역에서의 예측 능력을 향상시킨다.
• 모델은 전체 유체역학 시뮬레이션의 계산 비용의 극히 미미한 일부로도 (800 Mpc)^3 크기의 P-Millennium 어두운 물질만 있는 시뮬레이션에서 예측을 수행할 수 있다.