[论文解读] Fast and Accurate Non-Linear Predictions of Universes with Deep Learning

Renan Alves de Oliveira, Yin Li+3 more|arXiv (Cornell University)|Dec 1, 2020

Galaxies: Formation, Evolution, Phenomena参考文献 16被引用 20

一句话总结

本论文提出了一种基于V-Net的深度学习模型，可将线性密度场预测转化为高度精确的非线性宇宙结构预测，在 k ≈ 1 h/Mpc 处达到约1%的精度。该模型比当前最先进的快速近似器（COLA）快两倍，且比完整的N体模拟快逾1,000倍，同时在具有显著不同宇宙学参数的宇宙中也表现出良好的泛化能力。

ABSTRACT

Cosmologists aim to model the evolution of initially low amplitude Gaussian density fluctuations into the highly non-linear "cosmic web" of galaxies and clusters. They aim to compare simulations of this structure formation process with observations of large-scale structure traced by galaxies and infer the properties of the dark energy and dark matter that make up 95% of the universe. These ensembles of simulations of billions of galaxies are computationally demanding, so that more efficient approaches to tracing the non-linear growth of structure are needed. We build a V-Net based model that transforms fast linear predictions into fully nonlinear predictions from numerical simulations. Our NN model learns to emulate the simulations down to small scales and is both faster and more accurate than the current state-of-the-art approximate methods. It also achieves comparable accuracy when tested on universes of significantly different cosmological parameters from the one used in training. This suggests that our model generalizes well beyond our training set.

研究动机与目标

• 降低模拟宇宙非线性结构形成的计算成本，目前每次模拟需数百万CPU小时。
• 开发一种机器学习模型，能准确模拟全N体模拟在广泛尺度上的结果，包括高度非线性区域。
• 在现有快速近似器（如COLA）的基础上实现更高精度和更快推理速度。
• 测试模型在训练分布之外的宇宙学参数下是否具备有效泛化能力，特别是参数差异显著的情况。
• 为即将开展的大规模天文巡天提供高效、高精度的理论预测。

提出的方法

• 该模型采用V-Net架构，将线性理论位移场（Ψ_lin）映射为N体模拟预测的完整非线性位移场（Ψ）。
• 输入数据为初始条件下的线性理论预测，目标为Quijote模拟套件中210次全N体模拟的最终位移场。
• 训练数据集包含180次模拟，使用512³粒子的(Gpc/h)³盒子，宇宙学参数与Planck 2018一致。
• 模型在COLA快速近似器（仅使用10个时间步和128³粒子）和全N体模拟上进行评估。
• 泛化性在2,000个宇宙中进行测试，其宇宙学参数（包括Ω_m、Ω_b、h、n_s和σ_8）与训练集有显著差异。
• 推理在单张GPU（NVIDIA Tesla P100）上进行，运行时间与20核CPU的COLA和48核N体模拟进行对比。

实验结果

研究问题

• RQ1 深度神经网络能否从线性初始条件准确预测小尺度（k ≈ 1 h/Mpc）的非线性宇宙结构形成？
• RQ2 与当前最先进的快速近似器（COLA）相比，该模型在精度和速度方面的表现如何？
• RQ3 该模型在宇宙学参数远超其训练分布的宇宙中，其泛化能力达到何种程度？
• RQ4 该模型能否在保持高计算效率的同时，实现对小尺度非线性特征的亚百分之一精度？
• RQ5 当应用于Ω_b/Ω_m比值较低或σ_8与h取极端值的宇宙时，该模型是否仍能保持高精度？

主要发现

• 该模型在预测位移场和密度场时，即使在高度非线性区域，也能在k ≈ 1 h/Mpc处达到约1%的精度。
• 该模型比COLA快速近似器快两倍，而COLA本身已是宇宙学模拟加速领域的领先方法。
• 该模型比全N体模拟快逾1,000倍，后者在20核上需约10⁵秒。
• 该模型在宇宙学参数与训练集差异显著的宇宙中表现出极佳的泛化能力，其精度与在训练宇宙中的表现相当。
• 尽管COLA是针对模拟宇宙学参数专门调优的，该模型在所有尺度和所有测试宇宙学参数下均优于COLA，精度更高。
• 该模型在位移场和密度场的预测中均保持高精度，相关系数（r² > 0.99）和均方误差均较低。