[论文解读] HIGAN: Cosmic Neutral Hydrogen with Generative Adversarial Networks

Juan Zamudio-Fernandez, Atakan Okan+6 more|arXiv (Cornell University)|Apr 29, 2019

Galaxies: Formation, Evolution, Phenomena参考文献 15被引用 35

一句话总结

该论文训练一个 Wasserstein GAN，在 z=5 时生成高分辨率的 3D HI 分布，与 IllustrisTNG 在多种指标上统计一致，相对于水动力模拟实现 10^5 倍的加速。

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.

研究动机与目标

• 为即将到来的 21cm 调查提供快速、准确的宇宙中性氢（HI）预测。
• 利用生成对抗网络再现来自最先进水动力模拟的非线性 HI 丰度和聚集。
• 使用多种统计探针将生成的 GAN HI 映射与 IllustrisTNG 进行对比验证。
• 在 HI 场实现方面提供相对于完整水动力仿真的显著计算加速。

提出的方法

• 使用带梯度惩罚的 Wasserstein GAN（WGAN-GP）来学习一个 100 维流形映射，将 64^3 立方网格上的 3D HI 分布表示出来。
• 在来自 IllustrisTNG TNG100-1 的 z=5 的 3D HI 密度场上进行训练，使用 CIC 内插将 HI 质量网格化。
• 将输入处理为大小为 64 x 64 x 64 的立方体，潜在向量 z 为从标准高斯分布采样的 100 维。
• 对 critic 使用梯度惩罚（lambda = 10）进行优化，并使 generator 尽可能最小化对生成样本的负 critic 输出。
• 采用全卷积式 3D DCGAN 风格结构，生成器包含 5 个反卷积层，critic 包含 7 个卷积层，使用 ReLU/Leaky ReLU 激活函数和批量归一化。

实验结果

研究问题

• RQ1 GAN 是否能够从 IllustrisTNG 学习完整的非线性 HI 分布并生成新的高分辨率实现？
• RQ2 与 IllustrisTNG 和 HOD 模型相比，GAN 生成的 HI 场在 1D PDF、功率谱、双谱和空洞统计量方面的再现效果如何？
• RQ3 GAN 是否能够在跨越多个数量级的广泛动态范围内捕捉 HI？
• RQ4 相对于完整的水动力仿真，GAN 生成的 HI 映射在计算速度上的优势有多大？
• RQ5 在未来的工作中，该方法能否推广到不同的 HI 观测量或不同的红移？

主要发现

• WGAN 在相关尺度上对 IllustrisTNG HI 的 PDF、功率谱、双谱和空洞尺度函数的再现与其接近一致。
• WGAN 的样本在 HI 丰度跨越 9 个数量级的情况下也能匹配，在这些统计量上优于 HOD 基准。
• GAN 生成的 HI 场在视觉上与 IllustrisTNG 输出相似，插值显示出光滑的潜在空间映射。
• 在生成新的 HI 实现时，WGAN 相对于 IllustrisTNG 实现约 10^5 的计算加速。
• 在大尺度上，WGAN 的功率谱在振幅和形状上与 IllustrisTNG 匹配，最小尺度处有些偏差。