[논문 리뷰] From Dark Matter to Galaxies with Convolutional Neural Networks

Jacky H. T. Yip, Xinyue Zhang외 8명|arXiv (Cornell University)|2019. 10. 17.

Galaxies: Formation, Evolution, Phenomena참고 문헌 7인용 수 13

한 줄 요약

이 논문은 N-체 시뮬레이션에서의 다크 물질 분포를 전체 유체역학적 시뮬레이션에서의 은하 수밀도장으로 매핑하는 두 단계의 컨volutional 신경망(CNN) 캐스케이드를 제안한다. 은하가 많은 영역을 식별하는 이진 분류 헤드와 은하 수를 예측하는 회귀 헤드를 조합함으로써, 특히 비정규 분포 통계량인 삼중상관함수(bispectrum)와 같은 소스케일 비정규 특성에서 헬름 오너십 분포(HOD) 방법보다 훨씬 높은 정확도를 달성한다.

ABSTRACT

Cosmological simulations play an important role in the interpretation of astronomical data, in particular in comparing observed data to our theoretical expectations. However, to compare data with these simulations, the simulations in principle need to include gravity, magneto-hydrodyanmics, radiative transfer, etc. These ideal large-volume simulations (gravo-magneto-hydrodynamical) are incredibly computationally expensive which can cost tens of millions of CPU hours to run. In this paper, we propose a deep learning approach to map from the dark-matter-only simulation (computationally cheaper) to the galaxy distribution (from the much costlier cosmological simulation). The main challenge of this task is the high sparsity in the target galaxy distribution: space is mainly empty. We propose a cascade architecture composed of a classification filter followed by a regression procedure. We show that our result outperforms a state-of-the-art model used in the astronomical community, and provides a good trade-off between computational cost and prediction accuracy.

연구 동기 및 목표

• 우주론적 시뮬레이션에서 다크 물질 장으로부터 은하 분포를 예측하기 위한 계산 효율적인 방법을 개발하기.
• 표준 딥 러닝 모델이 저해상도를 초래하는 극도로 희박한 은하 분포(0.15% 비어있지 않은 볼록체)를 극복하기.
• 편향된 가정에 기반한 헬름 오너십 분포(HOD) 모델을 개선하기. 특히 헬름 질량과 은하 형성에 대한 단순화된 가정에 기반한다.
• 중력만을 고려하는 시뮬레이션에서 전체 물리적 시뮬레이션으로의 복잡한 비선형 매핑을 학습함으로써, 더 빠르고 고정밀도의 시뮬레이션 기반 추론을 가능하게 하기.

제안 방법

• 입력은 1024³ 볼록체로 격자화된 3차원 다크 물질 질량 밀도장이며, 훈련 샘플로 32³ 볼록체의 부분 영역을 사용한다.
• 모델은 두 단계의 캐스케이드를 사용한다: 첫 번째 단계는 Inception 기반 CNN이 가중치가 부여된 교차 엔트로피 손실을 사용하여 각 볼록체가 적어도 하나의 은하를 포함할 가능성이 있는지 이진 분류한다.
• 두 번째 단계는 연속적인 은하 수를 볼록체당 예측하는 회귀 헤드이며, 평균 제곱오차 손실로 훈련된다.
• 분류 헤드는 희박한 은하 영역에 집중함으로써 잠재적 실수를 줄이고 전체 예측 정밀도를 향상시킨다.
• 모델은 z=0에서 TNG300-1(유체역학적) 및 TNG300-1-Dark(다크 물질 전용) 시뮬레이션의 32³ 부분 영역 쌍으로 훈련된다.
• 초기화 매개변수들은 검증 세트에서 튜닝되며, 최종 모델은 115.3 Mpc/h³ 크기의 일관된 테스트 볼륨에서 평가된다.

실험 결과

연구 질문

• RQ1 전체 유체역학적 시뮬레이션 비용 없이도 다크 물질 장으로부터 은하 분포를 정확히 예측할 수 있는 딥 러닝 모델이 가능한가?
• RQ2 CNN 기반 접근법은 표준 HOD 모델에 비해 소스케일 군집화와 비정규 특성을 얼마나 잘 포착하는가?
• RQ3 극도로 희박한 은하 분포를 다루는 데 두 단계의 캐스케이드 아키텍처가 효과적인가?
• RQ4 모델은 헬름 질량을 초월해 지역적 다크 물질 구조와 같은 더 복잡한 환경적 의존성을 학습하는가?

주요 결과

• 모델은 파워 스펙트럼에서 평균 상대 잔차를 26.9%로 줄였으며, HOD 모델의 246.6%에 비해 모든 스케일에서 뛰어난 성능을 보였다.
• 소스케일(k > 0.3 h/Mpc)에서는 모델이 HOD를 크게 능가했으며, 삼중상관함수에서 평균 상대 잔차는 0.79%였고 HOD는 435%였다.
• 시각적 점검 결과, 모델은 은하 군집과 필라멘터리 구조를 잘 포착한 반면, HOD는 헬름 내에서 구형 분포만 예측했다.
• 모델은 삼중상관함수와 같은 비정규 특성을 높은 정밀도로 예측함으로써 비선형 구조 형성의 더 나은 모델링을 가능하게 했다.
• 캐스케이드 아키텍처는 은하 볼록체 비율이 0.15%에 불과한 극도의 희박성 문제를 효과적으로 완화했으며, 먼저 가능성이 높은 영역을 식별한 후에 수를 회귀 예측함으로써 성능을 향상시켰다.
• 모델은 다양한 스케일에 걸쳐 잘 일반화되며, 다른 시뮬레이션 해상도와 볼륨 간의 전이 학습 가능성도 보여주었다.