[논문 리뷰] FLAMINGO: Calibrating large cosmological hydrodynamical simulations with machine learning

Roi Kugel, Joop Schaye외 18명|arXiv (Cornell University)|2023. 06. 08.

Galaxies: Formation, Evolution, Phenomena인용 수 7

한 줄 요약

논문은 작은 FLAMINGO 실행의 Latin hypercube에서 학습된 Gaussian process 에뮬레이터를 사용하여 AGN 및 별 형성 피드백 서브그리드 모델을 보정하고, 서브그리드 매개변수를 관측가능한 것들(예: stellar mass function 및 cluster gas fractions)과 연결한다. 이는 세 가지 FLAMINGO 해상도에 대해 적용된다.

ABSTRACT

To fully take advantage of the data provided by large-scale structure surveys, we need to quantify the potential impact of baryonic effects, such as feedback from active galactic nuclei (AGN) and star formation, on cosmological observables. In simulations, feedback processes originate on scales that remain unresolved. Therefore, they need to be sourced via subgrid models that contain free parameters. We use machine learning to calibrate the AGN and stellar feedback models for the FLAMINGO cosmological hydrodynamical simulations. Using Gaussian process emulators trained on Latin hypercubes of 32 smaller-volume simulations, we model how the galaxy stellar mass function and cluster gas fractions change as a function of the subgrid parameters. The emulators are then fit to observational data, allowing for the inclusion of potential observational biases. We apply our method to the three different FLAMINGO resolutions, spanning a factor of 64 in particle mass, recovering the observed relations within the respective resolved mass ranges. We also use the emulators, which link changes in subgrid parameters to changes in observables, to find models that skirt or exceed the observationally allowed range for cluster gas fractions and the stellar mass function. Our method enables us to define model variations in terms of the data that they are calibrated to rather than the values of specific subgrid parameters. This approach is useful, because subgrid parameters are typically not directly linked to particular observables, and predictions for a specific observable are influenced by multiple subgrid parameters.

연구 동기 및 목표

• 바이러스물질 물리학이 우주론 관측치에 미치는 영향을 보정된 서브그리드 모델을 통해 정량화한다.
• 매개변수의 수동 조정을 피하고 서브그리드 매개변수의 MCMC 샘플링을 가능하게 하는 에뮬레이터 기반 보정 방법을 개발한다.
• 세 가지 FLAMINGO 해상도에 걸쳐 방법의 강건성과 예측력을 평가한다.
• 관측 데이터와 불확실성으로 제약된 모델 변 variations의 공간을 탐구한다.
• 보정된 시뮬레이션으로부터 바이어니 효과에 대한 상한선 및 하한선을 도출하는 프레임워크를 제공한다.

제안 방법

• SMF 및 cluster gas fractions가 서브그리드 매개변수에 따라 어떻게 변하는지 모델링하기 위하여 32개의 더 작은 부피 시뮬레이션의 라틴 하이퍼큐브 샘플링에서 Gaussian process 에뮬레이터를 학습시킨다.
• 에뮬레이터 출력물을 사용하여 관측 데이터에 대한 MCMC 피팅을 수행하되 통계적 및 시스템적 편향을 고려한다.
• 물리적 고려에 의해 정보가 주어진 priors를 사용하여 세 가지 해상도에 걸쳐 별 피드백, BH 성장, AGN 피드백에 대한 서브그리드 매개변수를 보정한다.
• SPH와 OWLS/BAHAMAS/EAGLE 계열에서 차용한 서브그리드 처방과 확률적 별 형성 및 운동/열 피드백 체계를 포함한 Swift 코드를 사용한다.
• 서브그리드 매개변수의 변화가 관측가능한 양상으로 어떻게 매핑되는지 조사하고, 관측적으로 허용된 범위 내외의 모델 변 Variation을 식별한다.
• 매개변수 중심의 설명이 아니라 데이터로 주도되는, 관측가능치 중심의 모델 변 Variation 설명을 제공한다.

실험 결과

주요 결과

• 에뮬레이터 기반 방법은 관측 편향을 통합하면서 SMF와 가스 분율에 맞춰 서브그리드 물리학을 피팅할 수 있다.
• 해석 가능한 모든 세 가지 FLAMINGO 해상도에서 재현된 질량 범위 내에서 관측된 관계를 회복한다.
• 에뮬레이터는 클러스터 가스 분율과 SMF에 대해 관측적으로 허용된 범위를 벗어나거나 벗어날 수 있는 모델 변 Variation을 드러낸다.
• 데이터에 의해 보정된 변 Variation를 통해 고정된 매개변수 값이 아닌 해석 가능한 서브그리드 매개변수로 바이어리 효과의 예측력을 향상시킨다.
• 프레임워크는 해상도 전반의 보정된 매개변수 공간을 탐색하여 바이어리 효과의 상한선과 하한선을 가능하게 한다.