Машинное обучение и космологические симуляции — II. Гидродинамические симуляции

Мы расширяем представленную ранее платформу машинного обучения (ML) для моделирования формирования и эволюции галактик в иерархической Вселенной с использованием N-тельных и гидродинамических симуляций. В этой работе мы показываем, что ML является перспективным методом изучения формирования галактик на фоне гидродинамической симуляции. Для обучения и тестирования различных сложных алгоритмов ML мы используем симуляцию Illustris. Используя только основные физические свойства гало тёмной материи и не учитывая историю слияний, наша модель достаточно надёжно предсказывает массу газа, массу звёзд, массу чёрной дыры, темп звездообразования, цвет g − r и металличность звёзд. Наши результаты предоставляют уникальную и мощную феноменологическую основу для исследования связи между галактиками и гало, построенную на базе надёжной гидродинамической симуляции. Успешное воспроизведение перечисленных свойств галактик демонстрирует, что ML является перспективным и значительно более вычислительно эффективным инструментом для изучения формирования мелкомасштабных структур. Мы обнаруживаем, что ML на удивление хорошо имитирует полноценную гидродинамическую симуляцию, требуя всего нескольких минут вычислений. Хотя популяция галактик, смоделированная с помощью ML, не идентична численно популяции Illustris, она статистически устойчива и физически согласуется с галактиками Illustris, следуя тем же фундаментальным наблюдательным ограничениям. ML представляет собой интересный и перспективный метод для создания быстрых макетных каталогов галактик в будущем.