Physics-informed neural networks in the recreation of hydrodynamic simulations from dark matter

要約

物理学に基づいたニューラル ネットワークは、統計パターンとドメイン知識を組み合わせた予測モデルを構築するための一貫したフレームワークとして登場しました。
根底にある概念は、既知の関係で最適化損失関数を充実させて、可能な解の空間を制限することです。
流体力学シミュレーションは、現代の宇宙論の中核を成す要素ですが、必要な計算には費用と時間がかかります。
同時に、暗黒物質の比較的高速なシミュレーションに必要なリソースは少なくて済みます。これにより、活発な研究分野として、バリオン修復のための機械学習アルゴリズムが出現しました。
ここでは、流体力学シミュレーションで見つかった散乱を再現することが進行中の課題です。
この論文では、ニューラル ネットワーク アーキテクチャの進歩と物理的制約を組み合わせ、モデルの損失関数にバリオン変換効率に関する理論を注入することにより、物理学に基づいたニューラル ネットワークをバリオン修復に初めて適用しました。
また、散乱再現を強制するカルバック・ライブラー発散に基づく懲罰的な予測比較も紹介します。
宇宙論シミュレーションの Simba スイートのバリオン特性の完全なセットを同時に抽出することにより、我々の結果は、暗黒物質のハロー特性に基づくバリオン予測の精度の向上、基本的な金属量関係の成功した回復、およびターゲット シミュレーションの分布を追跡する散乱の取得を示しています。

要約(オリジナル)

Physics-informed neural networks have emerged as a coherent framework for building predictive models that combine statistical patterns with domain knowledge. The underlying notion is to enrich the optimization loss function with known relationships to constrain the space of possible solutions. Hydrodynamic simulations are a core constituent of modern cosmology, while the required computations are both expensive and time-consuming. At the same time, the comparatively fast simulation of dark matter requires fewer resources, which has led to the emergence of machine learning algorithms for baryon inpainting as an active area of research; here, recreating the scatter found in hydrodynamic simulations is an ongoing challenge. This paper presents the first application of physics-informed neural networks to baryon inpainting by combining advances in neural network architectures with physical constraints, injecting theory on baryon conversion efficiency into the model loss function. We also introduce a punitive prediction comparison based on the Kullback-Leibler divergence, which enforces scatter reproduction. By simultaneously extracting the complete set of baryonic properties for the Simba suite of cosmological simulations, our results demonstrate improved accuracy of baryonic predictions based on dark matter halo properties, successful recovery of the fundamental metallicity relation, and retrieve scatter that traces the target simulation’s distribution.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google