‫تولید شبیه سازی های چند ذره ایی نسبیتی کیهان شناسی با استفاده از شبکه های عصبی پیچشی

مدل سازی نظری تشکیل ساختار بزرگ مقیاس در مقیاس های غیرخطی بسیار چالش برانگیز است. کد های چند ذره ایی نیوتونی بیشنیه طولانی و موفقی در این زمینه دارند و سوال مهم این است که چگونه می توان این تقریب نیوتونی را در کیهان شناسی دقیق امروز توجیه کرد. در سال های گذشته روش های چند ذره ای برای بررسی کیهان, فراتر از تقریب نیوتونی توسعه داده شده اند. این روش ها در یک کد چند ذره ای مبتنی بر نسبیت عام به نام جوولوشن پیاده سازی شده است. در این کار, یک شبکه عصبی پیچشی سه بعدی به منظور افزودن اصلاحات نسبیتی به جعبه های چگالی شبیه سازی نیوتونی آموزش داده شده است. نتایج ما نشان می­دهد که چارچوب یادگیری عمیق مورد نظر میتواند ابزاری برای تولید جعبه های چگالی شبیه سازی که از نظر محاسباتی ارزان تر و دقیق ترند، فراهم کند.

Generating Relativistic Cosmology N-Body Simulations with Convolutional Neural Networks

The theoretical modeling of large-scale structure formation is very challenging at nonlinear scales. Newtonian N-body codes have a long and successful tradition in the literature and the important question is how Newtonian approximation can be justified in the current time of precision Cosmology. In the past years N-body methods have been developed in order to go beyond the Newtonian approximation. These methods have been implemented in the N-body code ‘gevolution’ which is based on General relativity. In this work a three-dimensional convolutional neural network (CNN) is trained to add relativistic corrections to Newtonian simulation density boxes. Our results indicate that our deep learning framework can provide a tool for generating simulation density boxes, computationally less expensive and more precise.