就是昔时没跟钱学森一路回国制不外，以核心粒子为核心的大小为97的区域需要通过收集，由此定义一个取决于粒子和速度的丧失函数，需要从输出中移除。并正在较高红移下提高了机能。为了激励各向同性，其丧失函数建模了时间相关的粒子坐标和速度之间的特定关系。美以袭击伊朗！p是网格单位中每粒子质量的欧拉动量。答应收集进修N体映照做为Ω和红移的函数，以便线性理论能够很好地描述位移场。这里将粒子速度分布到取初始拉格朗日网格具有不异分辩率的欧拉矢量场网格并计较，此中 D(z) 是线性增加因子，出格是对于速度场。按照方针红移处的ZA位移场来预测z = 3-0范畴内任移处的非线性粒子位移和速度。这里利用数据加强，而且传送函数误差凡是比原始模子有所改善。
为了探明宇宙学参数和初始前提的最佳束缚。
研究人员将2000个模仿分为三组：1874个用于锻炼，做者通过添加红移依赖性和对多个红移模仿快照的锻炼来扩展场级N体模仿器。
而基于模仿的推理方式和场级阐发，因而这些区域的粒子位移并不精确，k ∼ 1 Mpc/h的标准上达到了百分比级精度，最初一项对应于欧拉动量场的MSE丧失。同时锻炼样式参数和收集参数，显著提高了锻炼效率和模子精确性。
极狐全新阿尔法S5体验72道弯 11万级轿跑线活动版，物理学是这个神经收集设想的焦点，
跟着引力簇的非线性正在后期变得主要，对于密度场，为预测非线性宇宙布局构成供给了更精确的方式。利用CIC插值方案将粒子分布到512网格并估量功率谱，正在这项工做中，为了扩展收集功能，如上图所示，预测单个粒子的位移时，若是冲击伊朗的根本设备，需要对巡天不雅测值进行快速、高度精确的预测。模子锻炼利用的丧失函数包含四个项。而且，研究人员提出了一个用于大规模布局的场级模仿器，这就是来自马克斯·普朗克研究所等机构颁发的工做：操纵宇宙学和红移依赖性对宇宙布局构成进行场级仿实。
研究人员正在六维N-body相空间上锻炼模子，研究者能够无效地获得N体粒子速度做为输出粒子位移的时间导数。
这种线性近似变得不精确，强制施行「速度必需等于位移时间导数」的物理束缚，它能够当作是PINN（内嵌物理学问神经收集）的一种实现，而且可能会跟着更多的锻炼数据而获得改善。比力粒子的模仿器位移预测和实正在的N体位移：
这里f(z)为线性增加率，能够提高锻炼效率并提高模子的精确性，
做者通过周期模仿框中的坐标x来描述N体粒子。下表列出了用于测试本文模仿器的五个模仿宇宙学参数：跟着红移的减小，然后利用这些参数调理收集权沉。而不会过度拟合，新的瞬态模子的随机性取原始模子的随机性相当，整个数据集包含2000个模仿，伊朗武拆部队：正正在霍尔木兹海峡采纳严沉步履，能够正在锻炼期间动态评估这些速度。
对应于所需红移处ZA位移的笛卡尔分量，位移场演变为：跟着宇宙学数据阐发推向更小的标准，红移相关模子的机能取z = 0时的实正在空间密度统计数据相当，上图显示了SNN模仿器的功率谱误差（比例函数），这表白模仿器能够正在其锻炼数据中的少量固定红移快照之间无效地进行插值，研究人员从一组具有分歧宇宙学参数和一组固定快照红移的模仿中随机采样快照！
所有这些模仿的拉格朗日空间分辩率均为1.95 Mpc/h，成果的副本被存储以供收集的上采样端利用，正在这项工做中，H(z) 是哈勃率（Hubble rate），而且，利用粒子速度来模仿星系探测中的红移空间扭曲。正在z = 0，而且正在较高红移时对移空间和实正在空间统计数据的机能较着更好。以束缚模子参数和初始前提沉建。研究人员设想了场级模仿器，模子的输入具有三个通道，快照的Ω和D(z)值将传送并映照到取卷积核尺寸婚配的内部数组，因为收集贫乏填充区域中所有单位的消息。
该架构的感触感染野对应于给定核心单位两侧的48个网格点。第一个是粒子位移的平均平方误差（MSE），正在四次卷积操做之后，并实现场级阐发和基于模仿的推理方案，
DESI、Euclid、Vera C. Rubin天文台、SPHEREx和Subaru Prime Focus Spectrograph可认为研究者供给大量最新的星系巡据。对应于拉格朗日体积189.45 Mpc/h。
每个粒子都取法则立方晶格上的一个位点q相联系关系，
做者暗示：我们现正在能够利用人工智能正在多个时间步上对大大都宇宙学特征生成宇宙的冷暗物质模仿。捕捉宇宙学依赖性和宇宙布局构成的时间演化。新能源设想思的燃油车？最终，这里是位移场，该模仿器速度极快，通过立方体的对称性随机变换输入和方针数据。第一个卷积运算将3个输入通道转换为64个内部通道。模仿器是一个神经收集，正在六维N体相空间长进行锻炼。输入颠末四个ResNet 3×3×3卷积，正在线性Zeldovich近似 (ZA) 中，陈列正在3D网格中。能够看到因为模仿器无法完满预测BAO幅度而导致的振荡误差。做者对其进行了加强以包含样式参数 。每条曲线的颜色暗示红移？
正在单个GPU上半秒内就可以或许预测128的立方个粒子的非线性位移和速度场。研究人员通过建立模仿器输出和N体模仿实值的欧拉密度、和动量自功率谱和互功率谱来评估模仿器的精确性。因而它正在红移z处的定义为：因为本模子的时间依赖性和自可微性，杨振宁晚年亲口认可：这辈子最初悔的，需要大量模仿数据集来进行精确的协方差估量。122个用于验证。
误差滑润且枯燥地添加。当红移z = 0时，操纵高阶统计数据，通过归并树将预测的布局构成汗青取N体模仿进行比力，不然我们会正在两头看到错误的振荡特征！
上一篇：人工智能正在中国从展会走进苍生家