Apr, 2023

CAMELS 项目：使用新的 ASTRID、28 参数 TNG 和 SIMBA 套件扩展星系形成模型空间

PDF
TL;DR本文介绍了 CAMELS-ASTRID 项目中的第三套宇宙学和天体物理学的水动力学模拟以及新的模拟集，以此来为针对宇宙学研究的机器学习算法提供更广泛的训练和测试基础；该项目通过引入新的参数和其它宇宙和物理因素来扩展先前的框架，并仔细调查机器学习模型的行为。
cosmological studiesmachine-learning algorithmshydrodynamical simulationsgalaxy formation modelcosmological parameters
发现论文，激发创造
  • CAMELS 项目：利用机器学习模拟进行宇宙学和天体物理研究

    CAMELS 是一个由 400 亿个质点和流体元素构成的宇宙模拟套件，使用机器学习算法进行理论预测，其中使用了一个范围广泛的宇宙学和天体物理模型变量，并强调消除宇宙学调查中重子效应的影响。

    Oct, 2020

  • CAMELS 项目：公共数据发布

    CAMELS 项目通过数千个宇宙宏观仿真和机器学习技术，将宇宙学与天体物理学融合。本文介绍 CAMELS 公开数据发布的特征和从中生成的各种数据产品，包括星系、暗物质晕、哈勃队列等。此外，我们还发布了包含数十亿星系的目录数据。

    Jan, 2022

  • 基于星系的鲁棒场级别无似然推断

    使用图神经网络，在包含三维位置和速度的星系目录中对宇宙学参数进行可靠推断，并在各种宇宙和天体物理参数的变化范围内进行测试和验证。

    Feb, 2023

  • 星系形成的 EAGLE 模拟：公开发布晕和星系目录

    该研究呈现了宇宙学模拟中天体和星系目录的公共数据，包括次网格模型和合并树等内容，旨在研究星系形成和演化的细节。

    Oct, 2015

  • Simba：带黑洞生长和反馈的宇宙学模拟

    Simba 模拟是用 Gizmo 的无网格有限质量流体动力学运行的 Mufasa 宇宙星系形成模拟的下一代版本。它包括对 Mufasa 亚分辨率恒星形成和反馈方案的更新，并通过 Anglés-Alcázar 等人（2017）的扭矩受限吸积模型和热气体 Bondi 吸积引入了黑洞生长，以及通过动能双极流和 X 射线能量实现了黑洞反馈，此外还包括即时的粉尘产生、生长和破坏模型。

    Jan, 2019

  • 基于天体目录的场级别模拟推断：系统效应的影响

    使用图神经网络对包含多种观测效应的星系目录进行训练和测试，发现尽管这些效应降低了模型的精度和准确性，增加了模型失效的星系目录比例，但模型表现良好的星系目录比例超过 90％，从而展示了这些模型在应用于真实数据时约束宇宙学参数的潜力。

    Oct, 2023

  • 星系形成的 EAGLE 模拟：子网格物理校准和模型变异

    该研究使用宇宙学模拟探索宇宙中不同星系的演化，并针对恒星形成相关的星际介质反馈调整了参数，进而获得了能够重现矮星系质量函数并形成逼真星系环境的仿真模型。

    Jan, 2015

  • EAGLE 项目：模拟星系的演化和组合及其环境

    介绍了 Virgo Consortium 的 EAGLE 项目，该项目是关于宇宙中星系和黑洞形成的一系列计算机模拟。在模拟结果中，我们得到了与半分析模型相当接近的星系质量分布，同时还模拟了与观测相符合的星系特定的星形成率，无活力星系的比例，等等。

    Jul, 2014

  • 机器学习和宇宙学模拟 II: 流体力学模拟

    本研究延伸了之前提出的机器学习模型，在使用 N 体重力 + 流体动力学模拟模型研究星系形成和演化方面提出了新的框架。研究表明，机器学习是研究星系形成的一种有前途的技术，可以在相对较短的计算时间内模拟真实情况并预测星系物理性质，是研究星系形成的新的有力工具。

    Oct, 2015

  • 从矮球状星系到 cD 星系：在 LCDM 宇宙学中模拟星系群体

    本研究采用半解析星系形成模型，考察不同质量分辨率模拟下，天体（子）合并树上不同银河性质的预测，并发现模型可以匹配低红移银河数量和 Milky Way 卫星的观测结果，但对于小质量银河的聚集过于乐观，同时对于低质量银河的暴流、半径大小和星际盘的预测有欠缺。

    Jun, 2010