[论文解读] Learning the Evolution of the Universe in N-body Simulations

Chang Chen, Yin Li+3 more|arXiv (Cornell University)|Dec 10, 2020

Galaxies: Formation, Evolution, Phenomena参考文献 6被引用 9

一句话总结

本论文提出一种基于U-Net结构的深度学习方法，利用卷积神经网络在重力主导的N体模拟中，对两个红移间隔较远的快照之间进行中间时刻的插值。该模型在重建位移场、密度功率谱、三体谱和晕质量函数方面优于三次赫米特插值法，实现k ≈ 0.4 h/Mpc以内的亚百分之一精度，显著降低模拟存储需求，同时保持非线性宇宙结构演化的准确性。

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.

研究动机与目标

• 通过从稀疏快照中学习中间演化过程，减轻大规模N体模拟的计算与存储负担。
• 开发一种可微分、具备物理感知能力的插值器，以在红移之间保留非线性引力结构形成过程。
• 在重建关键宇宙学统计量（如功率谱、三体谱和晕质量函数）方面超越标准的三次赫米特插值法。
• 实现仅需较少保存的模拟快照，即可高效、高保真地重建宇宙历史。
• 探索基于神经网络的插值方法在三维空间中宇宙场演化中的泛化能力。

提出的方法

• 模型采用3D U-Net/V-Net架构，结合残差块与批量归一化，从两个不同红移的输入快照中预测中间红移的粒子位移。
• 输入特征包括在两个红移（z=0 和 z=2）处的粒子位移场与速度场，裁剪为128³个体素，并通过填充保持边界对称性。
• 添加一个全局跳跃连接（1×1×1卷积核），以强制实现线性插值作为基线，使网络能够学习修正项。
• 通过最小化所有粒子的预测位移矢量与真实位移矢量之间的均方误差（MSE）进行训练。
• 通过旋转与翻转的数据增强方法，强制实现平移与旋转等变性，这对具有周期性边界条件的宇宙学模拟至关重要。
• 使用FOF晕探测器（b=0.2，每晕最少20个粒子）对功率谱、三体谱和晕质量函数进行评估。

实验结果

研究问题

• RQ1 深度神经网络能否准确插值两个相距较远的N体模拟快照之间宇宙密度场的非线性演化？
• RQ2 神经网络在重建宇宙学统计量（如功率谱与三体谱）方面的性能与三次赫米特插值相比如何？
• RQ3 神经网络在插值场中对小尺度结构与晕形成统计量的保持程度如何？
• RQ4 网络能否泛化至高阶统计量（如等边三体谱与晕质量函数）？
• RQ5 全局跳跃连接的引入是否能提升插值任务中的学习稳定性和准确性？

主要发现

• 神经网络在所有尺度上均优于三次赫米特插值法，重建位移场与密度功率谱，实现k ≈ 1 h/Mpc以内的百分之一精度。
• 对于等边三体谱，网络在k ≈ 0.4 h/Mpc以内的精度达到亚百分之一水平，全面优于基准方法。
• 网络预测的晕质量函数与真实模拟高度吻合，而赫米特插值器则产生明显模糊且不准确的结果。
• 在小尺度（高k）处，功率谱的相对误差最小化，尽管在最非线性区域精度有所下降，这符合预期。
• 在所有k值下，神经网络的非确定性系数（1-R²）均低于插值器，证实其具有更优的统计保真度。
• 全局跳跃连接通过强制实现物理解释清晰的线性基线，使网络能专注于学习非线性修正，从而提升性能。