[论文解读] From Dark Matter to Galaxies with Convolutional Neural Networks

Jacky H. T. Yip, Xinyue Zhang+8 more|arXiv (Cornell University)|Oct 17, 2019

Galaxies: Formation, Evolution, Phenomena参考文献 7被引用 13

一句话总结

该论文提出了一种两阶段卷积神经网络（CNN）级联模型，可将N体模拟中的暗物质分布映射到全流体动力学模拟中的星系数密度场。通过结合二分类头以识别星系丰富的区域与回归头以预测星系数，该模型在小尺度非高斯统计量（如三阶相关函数）上的表现显著优于晕占有分布（HOD）方法。

ABSTRACT

Cosmological simulations play an important role in the interpretation of astronomical data, in particular in comparing observed data to our theoretical expectations. However, to compare data with these simulations, the simulations in principle need to include gravity, magneto-hydrodyanmics, radiative transfer, etc. These ideal large-volume simulations (gravo-magneto-hydrodynamical) are incredibly computationally expensive which can cost tens of millions of CPU hours to run. In this paper, we propose a deep learning approach to map from the dark-matter-only simulation (computationally cheaper) to the galaxy distribution (from the much costlier cosmological simulation). The main challenge of this task is the high sparsity in the target galaxy distribution: space is mainly empty. We propose a cascade architecture composed of a classification filter followed by a regression procedure. We show that our result outperforms a state-of-the-art model used in the astronomical community, and provides a good trade-off between computational cost and prediction accuracy.

研究动机与目标

• 开发一种计算高效的星系分布预测方法，从宇宙学模拟中的暗物质场出发。
• 克服星系分布极端稀疏性（0.15% 非空体素）带来的挑战，该问题会阻碍标准深度学习模型的表现。
• 改进依赖于晕质量与星系形成简化假设的晕占有分布（HOD）模型。
• 通过学习从仅引力模拟到全物理模拟的复杂非线性映射，实现更快、更高保真度的基于模拟的推断。

提出的方法

• 输入为3D暗物质质量密度场，以1024³个体素网格化，训练样本采用32³个体素子立方体。
• 模型采用两阶段级联结构：首先，基于Inception的CNN使用加权交叉熵损失，对每个体素进行二分类，判断其是否可能包含至少一个星系。
• 其次，回归头使用均方误差损失，预测每个体素的星系数。
• 分类头通过聚焦于稀疏星系区域，减少误报，从而提升整体预测保真度。
• 模型在z=0时的TNG300-1（全流体动力学）和TNG300-1-Dark（仅暗物质）模拟中，使用32³个体素对进行训练。
• 超参数在验证集上进行调优，最终模型在115.3 Mpc/h³的连贯测试区域内进行评估。

实验结果

研究问题

• RQ1 深度学习模型能否在不付出全流体动力学模拟成本的前提下，准确从暗物质场预测星系分布？
• RQ2 与标准HOD模型相比，基于CNN的方法在捕捉小尺度聚类和非高斯特征方面表现如何？
• RQ3 两阶段级联架构能否有效应对宇宙学场中星系分布的极端稀疏性？
• RQ4 该模型是否学习到了超越晕质量的更复杂环境依赖关系，例如局部暗物质结构？

主要发现

• 该模型将功率谱中的平均相对残差降低至26.9%，而HOD模型为246.6%，表明在所有尺度上性能均更优。
• 在小尺度（k > 0.3 h/Mpc）上，该模型显著优于HOD，三阶相关函数的平均相对残差为0.79%，而HOD为435%。
• 视觉检查确认，该模型能捕捉小尺度星系聚类和丝状结构，而HOD仅预测晕内球对称分布。
• 该模型在预测非高斯特征（如三阶相关函数）方面保真度高，表明其对非线性结构形成过程的建模更优。
• 级联结构通过先识别可能含星系的区域，再回归星系数，有效缓解了极端稀疏性（0.15% 星系体素）的挑战。
• 该模型在不同尺度上泛化良好，且在不同模拟分辨率和体积间具备迁移学习的潜力。