[논문 리뷰] HIGAN: Cosmic Neutral Hydrogen with Generative Adversarial Networks

Juan Zamudio-Fernandez, Atakan Okan외 6명|arXiv (Cornell University)|2019. 04. 29.

Galaxies: Formation, Evolution, Phenomena참고 문헌 15인용 수 35

한 줄 요약

본 논문은 z=5에서 고해상도 3D HI 분포를 생성하기 위해 Wasserstein GAN을 학습시키고, 다중 지표에서 IllustrisTNG 통계와 일치시키며, 수치 유체역학 시뮬레이션 대비 10^5x의 속도 향상을 제공합니다.

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.

연구 동기 및 목표

• 다가오는 21cm 관측을 위한 우주 중성 수소(HI)의 빠르고 정확한 예측을 촉진한다.
• 최신 수치 유체역학 시뮬레이션에서의 비선형 HI 풍부도와 군집화를 재현하기 위해 Generative Adversarial Networks를 활용한다.
• 다양한 통계적 탐침을 사용해 GAN으로 생성된 HI 맵을 IllustrisTNG와 비교 검증한다.
• HI 필드 구현에 대해 전체 수치 유체역학 시뮬레이션에 비해 상당한 계산 속도 향상을 제공한다.

제안 방법

• Wasserstein GAN with gradient penalty (WGAN-GP)를 사용해 64^3 큐브 격자에서 3D HI 분포로의 100차원 다양체 매핑을 학습한다.
• z=5에서 IllustrisTNG TNG100-1에서 도출한 3D HI 밀도 필드에 대해 CIC 보간법으로 HI 질량을 격자화하며 학습한다.
• 입력은 64 x 64 x 64 크기의 큐브와 표준 가우시안에서 나온 100차 잠재 벡터 z로 처리한다.
• 크리틱(비판자)을 gradient penalty(lambda = 10)로 최적화하고 생성기가 생성 샘플에서의 음의 크리틱 출력을 최소화하도록 한다.
• 모든 컨볼루션으로 구성된 3D DCGAN 유사 아키텍처를 채택하고, 생성기에는 5개의 역합성(convolution) 층, 크리틱에는 7개의 합성(convolution) 층을 두며 ReLU/Leaky ReLU 활성화와 배치 정규화를 사용한다.

실험 결과

연구 질문

• RQ1 GAN이 IllustrisTNG의 완전한 비선형 HI 분포를 학습하고 새로운 고해상도 실현을 생성할 수 있는가?
• RQ2 GAN으로 생성된 HI 필드가 1D PDF, 파워 스펙트럼, 비스펙트럼, 빈 통계량을 IllustrisTNG 및 HOD 모델과 비교해 얼마나 잘 재현하는가?
• RQ3 GAN이 여러 차례 규모의 광범위한 다이내믹 범위를 포괄하는 HI를 포착할 수 있는가?
• RQ4 전체 수치 유체역학 시뮬레이션에 비해 GAN생성 HI 맵의 계산 속도 이점은 얼마인가?
• RQ5 향후 연구에서 다른 HI 관측량이나 적색편이(z)에 일반화할 수 있는가?

주요 결과

• WGAN은 관련 스케일에서 IllustrisTNG HI PDF, 파워 스펙트럼, 비스펙트럼, 그리고 void size function을 거의 일치하게 재현한다.
• WGAN 샘플은 HI 풍부도(부피) 9개의 지수 범위에 걸쳐 일치하며, 이 통계에서 HOD 벤치마크를 능가한다.
• GAN으로 생성된 HI 필드는 시각적으로 IllustrisTNG 출력과 유사하며, 보간을 통해 매끄러운 잠재 공간 매핑이 확인된다.
• WGAN은 IllustrisTNG에 비해 약 10^5의 계산 속도 향상를 달성하여 새로운 HI 실현을 생성한다.
• 큰 규모에서 WGAN 파워 스펙트럼은 진폭과 형태에서 IllustrisTNG와 일치하며, 가장 작은 규모에서 일부 편차가 있다.]
• table_headers: []
• table_rows: []