FastPM: modelo rápido pré-treinado para inferência baseada em simulação cosmológica

A cosmologia moderna depende cada vez mais de grandes conjuntos de simulações caras para modelar o Universo não linear e extrair informações de pesquisas futuras. No entanto, gerar simulações de alta fidelidade - sejam de corpo N somente gravitacional ou totalmente hidrodinâmicas - requer recursos computacionais substanciais.

Neste trabalho, demonstramos que a aprendizagem por transferência de simulações rápidas de baixa fidelidade pode reduzir drasticamente o custo de treinamento de modelos de aprendizado de máquina, em particular para inferência baseada em simulação (SBI). Treinamos um modelo rápido pré-treinado (FastPM) em um conjunto de simulações Fast Particle-Mesh (FastPM) para inferir $Ω_m$ e $σ_8$ do espectro de potência e ajustar em um conjunto menor de CAMELS N-body e simulações hidrodinâmicas de alta fidelidade.

Notavelmente, os ganhos persistem para o espectro total de potência da matéria de simulações hidrodinâmicas completas: embora o FastPM não contenha física bariônica, o pré-treinamento em execuções do FastPM que juntas custam menos do que uma única simulação hidrodinâmica ainda. O pré-treinamento em execuções FastPM mais precisas produz posteriores mais precisos do que o treinamento apenas em CAMELS consegue com qualquer número de simulações que considerarmos.

Esses resultados demonstram que a aprendizagem por transferência de simulações rápidas é um caminho simples e poderoso para o SBI de alta fidelidade e destacam a promessa de modelos básicos baseados em simulação em cosmologia. Tanto indivíduos como organizações que trabalham com arXivLabs abraçaram e aceitaram nossos valores de abertura, comunidade, excelência e privacidade dos dados do usuário.

ArXiv está comprometido com esses valores e só trabalha com parceiros que os aderem. Tem uma ideia de um projeto que agregue valor à comunidade arXiv? .

Fonte