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。
基礎となる概念は、既知の関係を使用して最適化損失関数を強化し、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も時間もかかります。
同時に、暗黒物質の比較的高速なシミュレーションには必要なリソースが少なくなるため、バリオン修復のための機械学習アルゴリズムが活発な研究分野として登場しました。
ここで、流体力学シミュレーションで見られる散乱を再現することは継続的な課題です。
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、バリオン変換効率に関する理論をモデルの損失関数に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応用する方法を紹介します。
また、散乱再生産を強制するカルバック・ライブラー発散に基づく懲罰的予測比較も導入します。
Simba スイートの宇宙論的シミュレーション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回復の成功、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実証しました。

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