FLAMINGO: калибровка крупномасштабных космологических гидродинамических симуляций с использованием машинного обучения

FLAMINGO: calibrating large cosmological hydrodynamical simulations with machine learning
Roi Kugel, Joop Schaye, Matthieu Schaller, John Helly, Joey Braspenning, Willem Elbers, Carlos S. Frenk, Ian G. McCarthy, Juliana Kwan, Jaime Salcido, Marcel P. van Daalen, Bert Vandenbroucke, Yannick M Bahé, Josh Borrow, Evgenii Chaikin, Filip Huško, Adrian Jenkins, C. G. Lacey, Folkert S J Nobels, Ian Vernon
2023-08-22

обратная связь AGN и звездообразованиясимуляции FLAMINGOэмуляторы на основе гауссовских процессовкосмологические гидродинамические симуляциифункция звездной массы галактик
Для полноценного использования данных, получаемых в ходе обзоров крупномасштабной структуры Вселенной, необходимо количественно оценить потенциальное влияние барионных эффектов, таких как обратная связь от активных ядер галактик (AGN) и звездообразования, на космологические наблюдаемые величины. В симуляциях процессы обратной связи зарождаются на масштабах, которые остаются неразрешёнными. Поэтому их необходимо задавать с помощью подрешёточных моделей, содержащих свободные параметры. Мы используем машинное обучение для калибровки моделей обратной связи от AGN и звёздного компонента в космологических гидродинамических симуляциях FLAMINGO (Fullhydro Large-scale structure simulations with All-sky Mapping for the Interpretation of Next Generation Observations — полнофизические симуляции крупномасштабной структуры с картированием всего неба для интерпретации наблюдений следующего поколения). С помощью эмуляторов на основе гауссовских процессов, обученных на латинских гиперкубах из 32 симуляций меньшего объёма, мы моделируем изменение функции масс галактик по звёздам (SMF) и газовых долей скоплений в зависимости от подрешёточных параметров. Затем эмуляторы подгоняются к наблюдательным данным, что позволяет учитывать потенциальные наблюдательные смещения. Мы применяем этот метод к трём различным разрешениям FLAMINGO, охватывающим диапазон, в котором масса частицы изменяется в 64 раза, и восстанавливаем наблюдаемые зависимости в соответствующих диапазонах разрешённых масс. Кроме того, мы используем эмуляторы, связывающие изменения подрешёточных параметров с изменениями наблюдаемых величин, чтобы найти модели, находящиеся на границе или за пределами диапазона газовых долей скоплений и SMF, допустимого согласно наблюдениям. Наш метод позволяет определять вариации моделей через данные, по которым они калибруются, а не через значения конкретных подрешёточных параметров. Такой подход полезен, поскольку подрешёточные параметры обычно не имеют прямой связи с определёнными наблюдаемыми величинами, а предсказания конкретной наблюдаемой величины зависят от нескольких подрешёточных параметров одновременно.
1
Калибровка вариаций моделей непосредственно по наблюдаемым величинам устраняет необходимость опираться на значения параметров подсеточной физики, которые не имеют однозначной связи с отдельными наблюдаемыми и влияют на них совместно.
2
Подгонка эмуляторов под наблюдательные данные позволяет калибровать модели неразрешённых процессов обратной связи с учётом возможных наблюдательных смещений.
3
Гауссовские процессные эмуляторы, обученные на 32 симуляциях с латинскими гиперкубами, моделируют зависимость функций масс галактик и газовых долей скоплений от параметров обратной связи AGN и звездообразования.
4
Метод калибровки воспроизводит наблюдаемые функции масс галактик и газовые доли скоплений при трёх разрешениях FLAMINGO, различающихся в 64 раза по массе частиц, в пределах соответствующих разрешённых диапазонов масс.
5
Эмуляторы выявляют модели обратной связи, приближающиеся к наблюдательно допустимым пределам или выходящие за них для газовых долей скоплений и функций масс галактик.

Подсеточные модели обратной связи от активных ядер галактик (AGN) и звездообразования в космологических гидродинамических симуляциях FLAMINGO

Зависимость функции звёздных масс галактик и газовых долей скоплений от параметров подсеточных моделей обратной связи и их калибровка по наблюдательным данным

Publication Details
Publication Date
2023-08-22
Journal
Publisher
ISSN
Cited by
90
Access Type
Author Information
Authors
Roi Kugel
Joop Schaye
Matthieu Schaller
John Helly
Joey Braspenning
Willem Elbers
Carlos S. Frenk
Ian G. McCarthy
Juliana Kwan
Jaime Salcido
Marcel P. van Daalen
Bert Vandenbroucke
Yannick M Bahé
Josh Borrow
Evgenii Chaikin
Filip Huško
Adrian Jenkins
C. G. Lacey
Folkert S J Nobels
Ian Vernon
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat
Make a presentation
100%