[논문 리뷰] Fast and Accurate Non-Linear Predictions of Universes with Deep Learning

Renan Alves de Oliveira, Yin Li외 3명|arXiv (Cornell University)|2020. 12. 01.

Galaxies: Formation, Evolution, Phenomena참고 문헌 16인용 수 20

한 줄 요약

이 논문은 선형 밀도장 예측을 고도로 정확한 비선형 천체구조 예측으로 변환하는 V-Net 기반 딥러닝 모델을 제안한다. 이 모델은 k ≈ 1 h/Mpc까지 약 1%의 정확도를 달성한다. 이는 현재 최고의 빠른 근사기인 COLA보다 두 배 빠르며, 전체 N-body 시뮬레이션보다 1,000배 이상 빠르며, 다양한 천체물리적 파rameter를 가진 우주로의 일반화 능력도 뛰어나다.

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.

연구 동기 및 목표

• 현재 각 시뮬레이션에 수백만 CPU 시간이 소요되는 천체구조의 비선형 형성 과정을 시뮬레이션하는 데 드는 계산 비용을 줄이기 위해.
• 넓은 스케일, 특히 극도로 비선형적인 영역까지 포함하여 전체 N-body 시뮬레이션을 정확하게 모의하는 기계학습 모델을 개발하기 위해.
• 기존의 빠른 근사기인 COLA와 비교해 더 높은 정확도와 더 빠른 추론 시간을 달성하기 위해.
• 학습 분포 외의 우주, 특히 극명하게 다른 천체물리적 파rameter를 가진 우주로의 일반화 능력이 효과적으로 유지되는지 테스트하기 위해.
• 앞서 나올 대규모 천문학적 관측을 위한 효율적이고 고정밀 이론적 예측을 가능하게 하기 위해.

제안 방법

• 모델은 선형 이론의 이동장(Ψ_lin)을 N-body 시뮬레이션에서 예측한 전체 비선형 이동장(Ψ)으로 매핑하는 데 V-Net 아키텍처를 사용한다.
• 입력 데이터는 초기 조건에서의 선형 이론 예측이며, 목표는 Quijote 시리즈의 210개 전면 N-body 시뮬레이션에서 유도된 최종 이동장이다.
• 학습 데이터셋은 180개의 시뮬레이션을 포함하며, (Gpc/h)³ 박스 내에서 512³ 입자를 사용하고, Planck 2018와 일치하는 천체물리적 파rameter를 사용한다.
• 모델는 빠른 근사기인 COLA(10개의 시간 단계와 128³ 입자만 사용)와 전체 N-body 시뮬레이션과 비교하여 평가된다.
• 일반화 능력은 Ω_m, Ω_b, h, n_s, σ_8 등에 대해 극단적인 값을 가진 2,000개의 우주로 테스트된다.
• 추론은 단일 GPU(NVIDIA Tesla P100)에서 수행되며, COLA의 20코어 CPU 런타임과 48코어 N-body 시뮬레이션의 런타임과 비교 측정된다.

실험 결과

연구 질문

• RQ1 딥 네트워크는 소규모 스케일(k ≈ 1 h/Mpc)에서 선형 초기 조건으로부터 비선형 천체구조 형성 예측을 정확하게 수행할 수 있는가?
• RQ2 제안된 모델의 성능은 현재 최고 수준의 빠른 근사기(COLA)와 정확도 및 속도 측면에서 어떻게 비교되는가?
• RQ3 학습 분포 외부의 천체물리적 파rameter를 가진 우주로의 일반화 능력은 어느 정도까지 유지되는가?
• RQ4 모델은 소규모 비선형 특징에 대해 백분율 이하의 정확도를 확보하면서도 고성능 계산 효율성을 유지할 수 있는가?
• RQ5 모델은 Ω_b/Ω_m 비율이 낮거나 σ_8와 h의 극단적인 값을 가진 우주에 적용되어도 높은 정확도를 유지하는가?

주요 결과

• 모델은 비선형성이 극도로 높은 영역까지 k ≈ 1 h/Mpc까지 약 1%의 정확도로 이동장과 밀도장을 예측한다.
• 모델은 이미 천체물리 시뮬레이션 가속화 분야에서 선도적인 방법으로 평가되는 COLA보다 두 배 빠르다.
• 모델은 전체 N-body 시뮬레이션보다 1,000배 이상 빠르며, 20코어에서 약 10⁵초가 소요되는 것으로 평가된다.
• 학습 데이터셋과는 거리가 먼 천체물리적 파rameter를 가진 우주로의 일반화 능력이 매우 뛰어나며, 학습 우주와 동일한 정확도를 유지한다.
• COLA가 시뮬레이션의 천체물리적 파arameter에 특별히 최적화되어 있음에도 불구하고, 모든 스케일과 테스트된 천체물리적 파aram터에서 모델은 COLA를 뛰어넘는 정확도를 보인다.
• 상관계수(r² > 0.99)와 낮은 평균 제곱오차를 통해 이동장과 밀도장 모두 높은 정확도를 유지한다.