使用深度学习从低分辨率流体力学模拟中重建Lyman-alpha场
摘要：用物理驱动的模拟和数据驱动的生成神经网络相结合的新建模方法有助于生成与高分辨率模拟输出在定性和统计上相近的结果。我们展示了利-α流量场以及潜在的流体力学场在低分辨率模拟中的统计逼真度得到了很大的改善。我们的神经网络设计允许从给定的输入中采样多个实现，这使我们能够量化模型的不确定性。使用测试数据，我们证明了这种模型不确定性与利-α流量预测的真实误差有良好的相关性。最终，我们的方法允许在小模拟容积上进行训练，并将其应用于更大的容积，从而为在夸克时代望远镜和未来的光谱天文观测中产生准确的利-α模拟天空数据打开了大门。
作者：Cooper Jacobus, Peter Harrington, Zarija Luki''c
论文ID：2308.02637
分类：Cosmology and Nongalactic Astrophysics
分类简称：astro-ph.CO
提交时间：2023-08-08