[논문 리뷰] The CAMELS project: Expanding the galaxy formation model space with new ASTRID and 28-parameter TNG and SIMBA suites

Yueying Ni, Shy Genel외 13명|arXiv (Cornell University)|2023. 04. 04.

Galaxies: Formation, Evolution, Phenomena인용 수 9

한 줄 요약

CAMELS-ASTRID는 ASTRID를 기반으로 한 새로운 수력역학 시뮬레이션 스위트를 도입하고, CAMELS를 28-매개변수 TNG 및 SIMBA 확장 세트로 확장하며, 다양한 은하 형성 매개변수 공간에서 ML 모델의 강건성(robustness)이 향상됨을 보여준다.

ABSTRACT

We present CAMELS-ASTRID, the third suite of hydrodynamical simulations in the Cosmology and Astrophysics with MachinE Learning (CAMELS) project, along with new simulation sets that extend the model parameter space based on the previous frameworks of CAMELS-TNG and CAMELS-SIMBA, to provide broader training sets and testing grounds for machine-learning algorithms designed for cosmological studies. CAMELS-ASTRID employs the galaxy formation model following the ASTRID simulation and contains 2,124 hydrodynamic simulation runs that vary 3 cosmological parameters ($Ω_m$, $σ_8$, $Ω_b$) and 4 parameters controlling stellar and AGN feedback. Compared to the existing TNG and SIMBA simulation suites in CAMELS, the fiducial model of ASTRID features the mildest AGN feedback and predicts the least baryonic effect on the matter power spectrum. The training set of ASTRID covers a broader variation in the galaxy populations and the baryonic impact on the matter power spectrum compared to its TNG and SIMBA counterparts, which can make machine-learning models trained on the ASTRID suite exhibit better extrapolation performance when tested on other hydrodynamic simulation sets. We also introduce extension simulation sets in CAMELS that widely explore 28 parameters in the TNG and SIMBA models, demonstrating the enormity of the overall galaxy formation model parameter space and the complex non-linear interplay between cosmology and astrophysical processes. With the new simulation suites, we show that building robust machine-learning models favors training and testing on the largest possible diversity of galaxy formation models. We also demonstrate that it is possible to train accurate neural networks to infer cosmological parameters using the high-dimensional TNG-SB28 simulation set.

연구 동기 및 목표

• 다양한 은하 형성 모델에 걸친 바리온(baryonic) 불확실성을 주변화하여 강건한 우주론 매개변수 추론을 촉진한다.
• CAMELS-TNG와 CAMELS-SIMBA와의 비교를 통해 CAMELS-ASTRID를 제3의 수력역학 CAMELS 스위트로 소개한다.
• 머신러닝 강건성과 외삽(extrapolation)을 테스트하기 위한 확장 시뮬레이션 세트를 제시한다.
• 더 넓은 모델 다양성이 우주론 매개변수 추론에서 ML 성능에 미치는 영향을 평가한다.]
• method:[
• ASTRID 기반 세부 서브그리드 물리 모델과 그 4개의 피드백 매개변수(A_SN1, A_SN2, A_AGN1, A_AGN2)가 별생성과 AGN 피드백에 어떤 영향을 주는지 기술한다.
• 확장 시뮬레이션 세트를 도입한다: TNG-SB28(28 매개변수, Sobol 샘플링), TNG-1P-28(22개 신규 매개변수에 대한 한 번에 하나씩 변화), SIMBA-1P-28(유사한 22개 매개변수), ASTRID-SBOb(6개의 기준 파라미터로 Ω_b를 변화)
• 질량-밀도 구조에 대한 바리오닉 효과와 가스 성질 측면에서 ASTRID, TNG, SIMBA의 기준 모델을 비교한다.
• 합성 데이터는 25 h^{-1} Mpc 박스에서 종종입자 수 256^3씩 각 종에 대해, 병합 트리를 위한 91개의 스냅샷으로 제공되어 ML 학습 및 평가에 활용된다.
• 다양한 모델 공간에서의 훈련이 우주론 매개변수 추론의 ML 강건성을 높임을 보여준다.

실험 결과

연구 질문

• RQ1 은하 형성 모델 공간의 확장(ASTRID, TNG, SIMBA)이 ML 기반 우주론 매개변수 추론의 강건성에 어떤 영향을 미치는가?
• RQ2 ASTRID 스위트에서 학습된 ML 모델이 TNG 또는 SIMBA만으로 학습된 모델보다 다른 수력역학 시뮬레이션으로의 외삽을 더 잘 수행할 수 있는가?
• RQ3 28-매개변수 세트와 같은 고차원 매개변수 확장이 우주론 및 천체물리학 매개변수 추론에 어떤 영향을 미치는가?
• RQ4 여러 하위 그리드 모델의 시뮬레이션을 결합하여 바리오닉 물리학을 주변화할 때 우주론 추론의 정확도와 강건성을 향상시킬 수 있는가?
• RQ5 다양한 적분 매개변수의 변화가 적분 가능한 관측치(예: matter power spectrum)를 적색편차에 걸쳐 어떻게 영향을 미치는가?

주요 결과

• ASTRID 기본 모델은 TNG 및 SIMBA에 비해 AGN 피드백이 더 약하고 matter power spectrum의 바리오닉 억제가 덜 나타난다.
• ASTRID 기반 학습 세트는 은하 개체군 및 바리오닉 효과의 더 넓은 변 variation을 커버하여, 다른 수력역학 스위트에 대한 ML 외삽을 향상시킬 가능성을 시사한다.
• 확장 세트(TNG-SB28, TNG-1P-28, SIMBA-1P-28, ASTRID-SBOb)는 은하 형성 매개변수의 큰 고차원 공간과 그것이 우주론과의 비선형적 상호작용을 보임을 보여준다.
• 고차원 공간에서의 TNG-SB28 세트를 이용해 신경망을 학습시켜 우주론 매개변수를 추론하는 것이 가능하며, 다양성이 충분하면 28-매개변수 공간에서의 학습이 실현될 수 있음을 시사한다.
• CAMELS는 더 큰 매개변수 다양성으로 학습된 ML 모델이 서로 다른 시뮬레이션 스위트에서 더 강건한 성능을 보임을 제시한다.