用混合架构从星系运动推断暗物质密度分布
Reconstructing the local density field with combined convolutional and point cloud architecture
- 融合卷积网络与点云结构，兼顾大尺度与小尺度信息
- 在小尺度上更准确恢复暗物质的聚集幅度和相位
- 适合从事宇宙大尺度结构研究的天体物理学者
我们构建了一个神经网络，根据暗物质晕的视线方向异常速度（暗物质场的代理观测）进行局部暗物质密度场的回归。该架构结合了卷积式U-Net与点云结构的DeepSets。这种组合能够高效利用小尺度信息，在小尺度上相比仅使用U-Net的方法显著提升重建质量，更好地恢复暗物质的聚集幅度与相位。
原文摘要 · Abstract (English)
We construct a neural network to perform regression on the local dark-matter density field given line-of-sight peculiar velocities of dark-matter halos, biased tracers of the dark matter field. Our architecture combines a convolutional U-Net with a point-cloud DeepSets. This combination enables efficient use of small-scale information and improves reconstruction quality relative to a U-Net-only approach. Specifically, our hybrid network recovers both clustering amplitudes and phases better than the U-Net on small scales.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。