基于深度学习与并行化朋友的朋友聚类的宇宙学N体模拟暗物质晕高效识别

《Monthly Notices of the Royal Astronomical Society》:CNN+FoF: application of deep learning to the identification of dark matter haloes

【字体: 大 中 小 】 时间:2026年09月27日 来源:Monthly Notices of the Royal Astronomical Society 5.2

编辑推荐:

   摘要 我们提出了一种基于深度学习的方法,用于在宇宙学N体模拟中识别暗物质晕。我们的框架由一个体素卷积神经网络组成,用于将各个模拟粒子分类为晕成员或非晕成员,随后是一个高度优化且并行化的"朋友的朋友"(FoF)聚类算

  

摘要

我们提出了一种基于深度学习的方法,用于在宇宙学N体模拟中识别暗物质晕。我们的框架由一个体素卷积神经网络组成,用于将各个模拟粒子分类为晕成员或非晕成员,随后是一个高度优化且并行化的"朋友的朋友"(FoF)聚类算法,用于将分类出的晕成员分组为不同的晕。训练数据包括使用GADGET-4生成的模拟,标签通过ROCKSTAR晕查找器获得。我们的模型纳入了两种主要的晕质量定义:M200b和Mvir,二者性能相当。对于按ROCKSTAR的M200b标准定义的晕,分类网络在多个模拟分辨率下均表现出稳定的性能。在最高分辨率下,该网络在识别晕粒子时,所有主要性能指标均超过98%。此外,FoF算法生成的晕目录纯度通常超过99%,对于质量大于5 × 1011?M⊙的晕,完整度稳定在94%。我们的流程高保真地恢复了晕的质心位置、速度和质量,所得晕质量函数与参考值在5%范围内一致,同时忠实地重建了内部密度分布。本研究的主要目标是提供一种比传统晕查找器更快且可扩展的替代方案,相对于ROCKSTAR实现了约一个数量级的加速。虽然传统N体模拟仍由求解引力动力学所需的时间主导,但当与快速场级模拟机结合时,这种后处理加速变得至关重要,为现代基于模拟的推断中高效、端到端的前向建模提供了一条有前景的途径。

相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号