[논문 리뷰] Learning the Evolution of the Universe in N-body Simulations

Chang Chen, Yin Li외 3명|arXiv (Cornell University)|2020. 12. 10.

Galaxies: Formation, Evolution, Phenomena참고 문헌 6인용 수 9

한 줄 요약

이 논문은 중력만을 고려한 N-body 시뮬레이션에서 두 개의 넓게 떨어진 적색편이 사이의 중간 스텝을 보간하기 위해 U-Net 구조의 컨볼루션 신경망을 사용하는 딥러닝 접근법을 제안한다. 이 모델은 이질성 필드, 밀도 스펙트럼, 이차 스펙트럼, 헬로 질량 함수를 복원하는 데서 세밀한 보간법보다 뛰어나며, k ≈ 0.4 h/Mpc까지 백분율 이내의 정확도를 달성하고, 시뮬레이션 저장 요구량을 크게 줄이며 비선형 천체 구조 진화를 유지한다.

ABSTRACT

Understanding the physics of large cosmological surveys down to small (nonlinear) scales will significantly improve our knowledge of the Universe. Large N-body simulations have been built to obtain predictions in the non-linear regime. However, N-body simulations are computationally expensive and generate large amount of data, putting burdens on storage. These data are snapshots of the simulated Universe at different times, and fine sampling is necessary to accurately save its whole history. We employ a deep neural network model to predict the nonlinear N-body simulation at an intermediate time step given two widely separated snapshots. Our results outperform the cubic Hermite interpolation benchmark method in interpolating N-body simulations. This work can greatly reduce the storage requirement and allow us to reconstruct the cosmic history from far fewer snapshots of the universe.

연구 동기 및 목표

• 희소한 스텝에서의 중간 진화를 학습함으로써 대규모 N-body 시뮬레이션의 계산 및 저장 부담을 줄이기 위해.
• 비선형 중력적 천체 구조 형성의 진화를 유지하는, 미분 가능하고 물리학에 민감한 보간기를 개발하기 위해.
• 주요 천체론 통계량인 스펙트럼, 이차 스펙트럼, 헬로 질량 함수를 복원하는 데서 표준 세차 허미트 보간법을 능가하기 위해.
• 더 적은 저장된 시뮬레이션 스텝로도 높은 정밀도의 천체 역사 재구성 가능하게 하기 위해.
• 3차원 공간에서의 천체론적 필드 진화에 대해 신경망 기반 보간의 일반화 가능성 탐색하기 위해.

제안 방법

• 모델은 잔차 블록과 배치 정규화를 갖춘 3D U-Net/V-Net 아키텍처를 사용하여 두 개의 다른 적색편이에서 입력된 스텝에서 중간 적색편이에서 입자 이동을 예측한다.
• 입력 특징은 두 적색편이(z=0 및 z=2)에서의 입자 이동 및 속도 필드이며, 경계 대칭성을 유지하기 위해 패딩을 포함한 128³ 벡셀로 자르기 한다.
• 전역 스킵 연결을 1×1×1 커널로 추가하여 선형 보간을 기준선으로 강제함으로써, 네트워크가 수정 사항을 학습할 수 있도록 한다.
• 모든 입자에 대해 예측된 이동 벡터와 진짜 이동 벡터 간의 평균 제곱오차(MSE)를 최소화하도록 네트워크를 훈련시킨다.
• 회전 및 반사와 같은 데이터 증강 기법을 통해 이동 및 회전 불변성을 강제함으로써, 주기적 경계 조건이 적용된 천체론적 시뮬레이션에 필수적인 성질 확보.
• FOF 헬로 포인팅기(파ameter b=0.2, 헬로당 최소 20개 입자)를 사용하여 스펙트럼, 이차 스펙트럼, 헬로 질량 함수로 평가한다.

실험 결과

연구 질문

• RQ1 딥 뉴럴 네트워크는 두 개의 넓게 떨어진 N-body 시뮬레이션 스텝 사이에서 천체 밀도 필드의 비선형 진화를 정확하게 보간할 수 있는가?
• RQ2 신경망의 성능은 스펙트럼 및 이차 스펙트럼과 같은 천체론 통계량 복원에서 세차 허미트 보간법과 비교해 어떻게 되는가?
• RQ3 신경망은 보간된 필드에서 소스케일 구조 및 헬로 형성 통계를 어느 정도 유지할 수 있는가?
• RQ4 신경망은 등변 이차 스펙트럼 및 헬로 질량 함수와 같은 고차 통계량으로 일반화 가능한가?
• RQ5 전역 스킵 연결의 포함 여부가 보간 작업의 학습 안정성과 정확도에 영향을 주는가?

주요 결과

• 신경망은 모든 스케일에서 이동 필드 및 밀도 스펙트럼 복원에서 세차 허미트 보간법을 능가하며, k ≈ 1 h/Mpc까지 백분율 수준의 정확도를 달성한다.
• 등변 이차 스펙트럼의 경우, k ≈ 0.4 h/Mpc까지 백분율 이내의 정확도를 달성하여 모든 스케일에서 벤치마크를 크게 능가한다.
• 헬로 질량 함수 예측에서 신경망은 진짜 시뮬레이션과 매우 유사한 결과를 도출하지만, 허미트 보간기는 흐릿하고 정확하지 못한 결과를 낸다.
• 스펙트럼의 상대 오차는 작은 스케일(고 k)에서 최소화되지만, 예상대로 가장 비선형 영역에서는 정확도가 떨어진다.
• 모든 k에서 신경망의 비결정 계수(1-R²)는 보간기보다 낮아서, 더 뛰어난 통계적 정밀도를 확인한다.
• 전역 스킵 연결은 물리적으로 의미 있는 선형 기준선을 강제함으로써 네트워크가 비선형 수정 사항에 집중할 수 있도록 하여 성능 향상을 이룬다.