[论文解读] Emulating cosmological multifields with generative adversarial networks

Sambatra Andrianomena, Francisco Villaescusa-Navarro+1 more|arXiv (Cornell University)|Nov 9, 2022

Galaxies: Formation, Evolution, Phenomena被引用 4

一句话总结

该论文提出了一种条件生成对抗网络（GAN），用于从CAMELS项目中的流体动力学模拟中快速生成宇宙学多场图像——气体密度（Mgas）、中性氢（HI）和磁场（B）。该GAN成功再现了所有三个场的关键统计特性，包括像素分布、功率谱和交叉相关性，实现了对复杂天体物理模拟的高速、高保真度准确模拟。

ABSTRACT

We explore the possibility of using deep learning to generate multifield images from state-of-the-art hydrodynamic simulations of the CAMELS project. We use a generative adversarial network to generate images with three different channels that represent gas density (Mgas), neutral hydrogen density (HI), and magnetic field amplitudes (B). The quality of each map in each example generated by the model looks very promising. The GAN considered in this study is able to generate maps whose mean and standard deviation of the probability density distribution of the pixels are consistent with those of the maps from the training data. The mean and standard deviation of the auto power spectra of the generated maps of each field agree well with those computed from the maps of IllustrisTNG. Moreover, the cross-correlations between fields in all instances produced by the emulator are in good agreement with those of the dataset. This implies that all three maps in each output of the generator encode the same underlying cosmology and astrophysics.

研究动机与目标

• 加速从计算成本高昂的流体动力学模拟中生成宇宙学多场图像。
• 开发一种深度生成模型，以保留多个物理场之间的统计特性（如功率谱和交叉相关性）。
• 实现多波段数据的快速、可扩展模拟，用于宇宙学推断和巡天流程设计。
• 探究GAN在生成复杂、相关联的天体物理场时是否能避免模式坍缩。
• 为后续可基于宇宙学和天体物理参数预测输出的条件生成模型奠定基础。

提出的方法

• 该模型采用带有跳跃连接激励（SLE）模块的条件GAN，以实现跨多尺度（4×4、8×8、16×16、64×64、128×128、256×256）的梯度流动和高分辨率特征学习。
• 生成器通过可学习权重在低分辨率和高分辨率特征图之间进行通道级乘法运算，如公式(1)所示：$\mathbf{y} = \mathcal{F}(\mathbf{x}_{\text{low}}, \mathbf{W}) \cdot \mathbf{x}_{\text{high}}$。
• 判别器采用编码器结构，配备三个解码器，通过在真实图像上使用重建损失进行训练，以增强特征提取，最小化$\mathcal{L}_{\text{recons}} = \mathbb{E}_{\mathbf{f} \sim D(\mathbf{x})} [||\mathcal{G}(\mathbf{f}) - \mathcal{T}(\mathbf{x})||]$。
• 模型在CAMELS多场数据集的15,000张256×256多场图像上进行训练，每张图像包含三个通道，分别代表z=0时的Mgas、HI和B。
• 通过潜在空间插值验证生成图像之间的平滑过渡，表明未发生模式坍缩。
• 统计验证通过像素级概率密度函数（PDF）、自相关与交叉相关功率谱，以及1,500张真实与生成图像之间的相对误差度量完成。

实验结果

研究问题

• RQ1 GAN能否生成保留各场统计特性（如PDF和功率谱）的多场宇宙学图像？
• RQ2 GAN在生成输出中在多大程度上保持了不同物理场（如Mgas、HI、B）之间的交叉相关性？
• RQ3 模型在训练过程中是否避免了模式坍缩，其证据为潜在空间插值的平滑过渡和一致的统计输出？
• RQ4 GAN在多大程度上再现了宇宙方差以及宇宙学和天体物理参数变化在生成图像中的影响？
• RQ5 GAN能否作为多波段宇宙学中流体动力学模拟的快速、高精度模拟器？

主要发现

• GAN生成的地图在所有三个场中，其像素概率密度函数的均值和标准差与真实模拟数据高度一致。
• 生成地图的自功率谱在大尺度（k < 10 h/Mpc）上与真实地图的相对误差低于10%，仅在小尺度上出现较大偏差。
• 生成图像中各场之间的交叉功率谱（如Mgas–HI、HI–B）与真实数据高度一致，表明相位相干性和物理一致性得以保持。
• 潜在空间插值生成了生成图像之间的平滑过渡，证实了模式坍缩的缺失以及潜在表示的连续性和意义性。
• 该模型生成的高保真度多场图像比完整流体动力学模拟快几个数量级，可实现参数空间的快速探索。
• 尽管统计一致性较强，但在PDF分布的尾部仍观察到微小差异，表明在捕捉极端值统计方面存在一些局限性。