[论文解读] A machine learning approach to mapping baryons onto dark matter halos using the EAGLE and C-EAGLE simulations

Christopher C. Lovell, Stephen M. Wilkins+5 more|arXiv (Cornell University)|Jun 9, 2021

Galaxies: Formation, Evolution, Phenomena参考文献 9被引用 4

一句话总结

本文提出了一种机器学习框架，通过使用EAGLE和C-EAGLE模拟，利用暗物质晕的特性来预测恒星系的性质。通过在周期性模拟和聚焦模拟上进行训练，该模型以全流体动力学模拟计算成本的微小部分，在大尺度暗物质仅模拟中准确重现了关键的恒星物质分布函数和聚类统计特性。

ABSTRACT

High-resolution cosmological hydrodynamic simulations are currently limited to relatively small volumes due to their computational expense. However, much larger volumes are required to probe rare, overdense environments, and measure clustering statistics of the large scale structure. Typically, zoom simulations of individual regions are used to study rare environments, and semi-analytic models and halo occupation models applied to dark matter only (DMO) simulations are used to study the Universe in the large-volume regime. We propose a new approach, using a machine learning framework to explore the halo-galaxy relationship in the periodic EAGLE simulations, and zoom C-EAGLE simulations of galaxy clusters. We train a tree based machine learning method to predict the baryonic properties of galaxies based on their host dark matter halo properties. The trained model successfully reproduces a number of key distribution functions for an infinitesimal fraction of the computational cost of a full hydrodynamic simulation. By training on both periodic simulations as well as zooms of overdense environments, we learn the bias of galaxy evolution in differing environments. This allows us to apply the trained model to a larger DMO volume than would be possible if we only trained on a periodic simulation. We demonstrate this application using the $(800 \; \mathrm{Mpc})^3$ P-Millennium simulation, and present predictions for key baryonic distribution functions and clustering statistics from the EAGLE model in this large volume.

研究动机与目标

• 开发一种计算高效的星系恒星物质性质预测方法，适用于全流体动力学模拟不可行的大规模宇宙学体积。
• 通过在周期性EAGLE模拟和高分辨率C-EAGLE聚焦模拟的过密区域上进行训练，学习星系演化中的环境偏差。
• 使EAGLE模型能够应用于大尺度暗物质仅模拟，如(800 Mpc)^3 P-Millennium模拟，以进行宇宙学聚类统计。
• 以远低于全流体动力学模拟的计算成本，重现关键的恒星物质分布函数和聚类特性。

提出的方法

• 训练一种基于树的机器学习模型，以根据宿主暗物质晕的性质（如质量、浓度、形成时间）预测星系的恒星物质性质（如恒星质量、气体含量）。
• 训练数据来自周期性EAGLE模拟和星系团高分辨率C-EAGLE聚焦模拟，以捕捉环境依赖性。
• 通过对比稀疏区域与过密区域的差异，模型学习到晕-星系关系，包括不同环境中星系演化的偏差。
• 将训练好的模型应用于(800 Mpc)^3 P-Millennium暗物质仅模拟，以生成恒星物质性质和聚类统计的预测结果。
• 通过将预测的分布函数和聚类统计与原始EAGLE模拟结果进行比较，验证模型性能。

实验结果

研究问题

• RQ1 在有限的流体动力学模拟上训练的机器学习模型，能否在大尺度暗物质仅模拟中准确预测恒星物质星系性质？
• RQ2 晕-星系关系在稀疏区域与过密区域之间如何变化？能否在一个模型中捕捉这种差异？
• RQ3 该模型在大体积模拟中能多大程度上重现关键的恒星物质分布函数和聚类统计？
• RQ4 与运行全流体动力学模拟相比，使用该机器学习模型能获得多大的计算效率提升？

主要发现

• 训练好的机器学习模型成功在宽动态范围内高保真度地重现了关键的恒星物质分布函数，如恒星质量函数和气体分数分布。
• 模型准确预测了大尺度结构中星系的聚类统计，与原始EAGLE模拟结果高度一致。
• 通过整合周期性模拟和聚焦模拟的数据，模型捕捉到了星系演化中的环境偏差，显著提升了在过密区域的预测能力。
• 该模型使在(800 Mpc)^3 P-Millennium暗物质仅模拟中进行预测成为可能，计算成本仅为全流体动力学模拟的微小部分。