[论文解读] Predicting the impact of feedback on matter clustering with machine learning in CAMELS

Ana Maria Delgado, Daniel Anglés‐Alcázar+8 more|arXiv (Cornell University)|Jan 5, 2023

Galaxies: Formation, Evolution, Phenomena被引用 4

一句话总结

该论文利用随机森林回归器，基于广泛质量范围（10^10–10^15 M⊙）内的晕质量函数和重子丰度进行训练，以预测CAMELS模拟中重子反馈对物质功率谱的影响。其在k = 1.0–20.0 h Mpc⁻¹范围内对功率谱抑制的预测精度达到约1%，表明尽管存在宇宙方差和依赖模型的反馈效应，晕质量函数与重子含量仍是稳健的预测因子。

ABSTRACT

Extracting information from the total matter power spectrum with the precision needed for upcoming cosmological surveys requires unraveling the complex effects of galaxy formation processes on the distribution of matter. We investigate the impact of baryonic physics on matter clustering at $z=0$ using a library of power spectra from the Cosmology and Astrophysics with MachinE Learning Simulations (CAMELS) project, containing thousands of $(25\,h^{-1}{ m Mpc})^3$ volume realizations with varying cosmology, initial random field, stellar and AGN feedback strength and sub-grid model implementation methods. We show that baryonic physics affects matter clustering on scales $k \gtrsim 0.4\,h\,\mathrm{Mpc}^{-1}$ and the magnitude of this effect is dependent on the details of the galaxy formation implementation and variations of cosmological and astrophysical parameters. Increasing AGN feedback strength decreases halo baryon fractions and yields stronger suppression of power relative to N-body simulations, while stronger stellar feedback often results in weaker effects by suppressing black hole growth and therefore the impact of AGN feedback. We find a broad correlation between mean baryon fraction of massive halos ($M_{ m 200c} > 10^{13.5}$\,\Msun) and suppression of matter clustering but with significant scatter compared to previous work owing to wider exploration of feedback parameters and cosmic variance effects. We show that a random forest regressor trained on the baryon content and abundance of halos across the full mass range $10^{10} \leq M_\mathrm{halo}/$\Msun$< 10^{15}$ can predict the effect of galaxy formation on the matter power spectrum on scales $k = 1.0$--20.0\,$h\,\mathrm{Mpc}^{-1}$.

研究动机与目标

• 在宇宙学模拟中以高精度预测重子反馈导致的物质聚集抑制。
• 探究晕重子分数和丰度是否可作为跨不同反馈和宇宙学参数下功率谱畸变的稳健预测因子。
• 评估宇宙方差和晕质量函数在小体积模拟中对机器学习模型预测精度的限制作用。
• 评估在CAMELS框架下，不同反馈实现方式和宇宙学模型中机器学习模型的鲁棒性。
• 确定重子分数与功率谱抑制之间是否存在普遍关系，或是否存在主导的模型特异性依赖关系。

提出的方法

• 在25 h⁻¹ Mpc³的CAMELS模拟中，基于不同质量区间内的重子分数和晕计数作为输入特征，训练随机森林回归器。
• 以流体动力学模拟中的物质功率谱为目标变量，与无重子（N体）模拟的功率谱进行比较，以计算ΔP/P_DM。
• 将每个质量区间内的晕数量（N_halos）作为关键特征，以考虑宇宙方差并提升模型泛化能力。
• 在独立模拟（包括TNG和SIMBA）上验证模型，以测试其在不同反馈实现方式下的可迁移性和鲁棒性。
• 通过消融研究评估特征重要性，识别出晕丰度和重子分数为最重要的预测因子。
• 通过引入晕质量函数信息对宇宙方差进行校正，提升了模型精度并减少了过拟合。

实验结果

研究问题

• RQ1 基于晕重子分数和丰度训练的机器学习模型，能否在k = 1.0–20.0 h Mpc⁻¹范围内以亚1%的误差预测物质聚集抑制（ΔP/P_DM）？
• RQ2 小体积CAMELS模拟中的宇宙方差在多大程度上影响重子分数与功率谱抑制关系预测的可靠性？
• RQ3 不同反馈实现方式（如TNG与SIMBA）和宇宙学参数（如Ω_m）在多大程度上破坏晕重子分数与功率谱抑制之间的普遍关系？
• RQ4 为何在低Ω_m条件下，低质量晕中ΔP/P_DM–f_bar关系出现反转？这又对小晕中反馈物理的本质意味着什么？
• RQ5 仅基于晕属性（不包含宇宙学参数）训练的模型，其精度是否可与包含Ω_m作为输入的模型相媲美？

主要发现

• 当在全质量范围内基于重子分数和晕丰度进行训练时，随机森林模型在k = 1.0–20.0 h Mpc⁻¹范围内对ΔP/P_DM的预测误差小于1%。
• 晕丰度（每个质量区间的N_halos）是最具预测力的特征之一，显著提升了模型精度并缓解了宇宙方差的影响。
• 即使在TNG和SIMBA等独立模拟上测试，模型仍保持高精度，尽管在TNG中略有高估抑制效应，表明存在模型依赖的反馈效应。
• 重子分数与功率谱抑制之间并不存在清晰的普遍关系；该关系具有显著离散性，且依赖于反馈实现方式和宇宙学参数。
• 仅基于重子分数和晕计数训练的模型，其精度与包含Ω_m作为输入的模型相比仅相差1%以内，表明晕属性已包含足够的宇宙学信息。
• 在低Ω_m条件下，低质量晕中ΔP/P_DM–f_bar关系出现异常反转，暗示可能存在复杂的反馈物理机制或未解析的宇宙方差，需进一步研究。