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

Yueying Ni, Shy Genel+13 more|arXiv (Cornell University)|Apr 4, 2023

Galaxies: Formation, Evolution, Phenomena被引用 9

一句话总结

CAMELS-ASTRID 引入一个基于水动力模拟的新套件，基于 ASTRID 扩展 CAMELS，包含 28 参数的 TNG 和 SIMBA 扩展集，并展示 ML 模型在多样化星系形成参数空间中的鲁棒性提升。

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.

研究动机与目标

• 通过在多样化的星系形成模型中边际化重子物理不确定性来推动对宇宙学参数的鲁棒推断。
• 将 CAMELS-ASTRID 作为第三个水动力 CAMELS 套件引入，并与 CAMELS-TNG 和 CAMELS-SIMBA 进行比较。
• 提出扩展的模拟集，扩大参数空间以测试机器学习的鲁棒性和外推能力。
• 评估更广泛的模型多样性如何影响 ML 在推断宇宙学参数方面的性能。

提出的方法

• 描述基于 ASTRID 的亚网格物理模型及其 4 个反馈参数 (A_SN1, A_SN2, A_AGN1, A_AGN2) 及其如何调控恒星与 AGN 反馈。
• 介绍扩展模拟集：TNG-SB28 (28 参数，Sobol 取样)、TNG-1P-28 (对 22 个新参数的一次一位变动)、SIMBA-1P-28 (同样的 22 个参数)、以及 ASTRID-SBOb (Omega_b 以六个基准参数变化)。
• 在 ASTRID、TNG 和 SIMBA 的 fiducial 模型之间比较在物质谱与气体性质上的重子效应。
• 提供在 25 h^{-1} Mpc 盒子、每个物种 256^3 粒子、共 91 个快照用于合并树的模拟，便于 ML 训练与测试。
• 证明在多样化的模型空间上训练可提升用于宇宙学参数推断的 ML 鲁棒性。

实验结果

研究问题

• RQ1 扩大星系形成模型空间（ASTRID、TNG、SIMBA）如何影响基于 ML 的宇宙学参数推断的鲁棒性？
• RQ2 在 ASTRID 套件上训练的 ML 模型是否比只在 TNG 或 SIMBA 上训练的模型对其他水动力模拟有更好的外推能力？
• RQ3 引入高维参数扩展（28 参数集）对宇宙学和天体物理参数推断有何影响？
• RQ4 将来自多种亚网格模型的模拟结合起来，在边际化重子物理学时是否能提高宇宙学推断的准确性与鲁棒性？
• RQ5 重子反馈参数的变化如何影响如物质功率谱等观测量在不同红shift 的表现？

主要发现

• ASTRID 的 fiducial 模型在 AGN 反馈方面较温和，对物质功率谱的重子抑制也弱于 TNG 和 SIMBA。
• 基于 ASTRID 的训练集覆盖了更广泛的星系群体和重子效应变异，可能提升对其他水动力套件的 ML 外推性。
• 扩展集（TNG-SB28、TNG-1P-28、SIMBA-1P-28、ASTRID-SBOb）显示出星系形成参数的高维空间及其与宇宙学的非线性耦合。
• 可以在高维 28 参数空间使用高维 TNG-SB28 集训练神经网络来推断宇宙学参数，展示在多样性丰富时学习的可行性。
• CAMELS 表明在更大参数多样性上训练的 ML 模型在不同模拟套件中具备更鲁棒的性能。