Studio a field level del campo di fluttuazioni di dark matter a scale non lineari

In this work we explore the usage of Convolutional Neural Networks (CNNs) for the estimation of three cosmological parameters (Ωm, ns, σ8) from simulations of lognormal fields, which are statistically complete but not fully described by their power spectrum; such fields can be considered a fair approximation of the real matter density, where the nonlinear evolution of structures by gravity is mimicked by the exponentiation of a gaussian random field. The main architecture used is a ResNet-18, which manages to reach excellent precision with Ωm and σ8 (R2 ⩾ 0.95) but cannot do the same with ns. To partly solve this problem, we switch to a hybrid architecture that also analyzes the power spectrum of the field with a fully connected net. In the end we reach R2(ns) = 0.72, increased to R2(ns) = 0.87 when we double the resolution of the fields and the dataset size.

In questo lavoro esploriamo l’impiego delle Convolutional Neural Networks (CNN) per stimare tre parametri cosmologici (Ωm, ns, σ8) a partire da simulazioni di campi lognormali. Sebbene questi campi siano statisticamente completi, non sono descritti pienamente dal loro spettro di potenza; possono tuttavia essere considerati una buona approssimazione della reale densità di materia, dove l’evoluzione non lineare delle strutture dovuta alla gravità viene simulata tramite l’esponenziazione di un campo casuale gaussiano. L’architettura principale che abbiamo adottato è una ResNet-18. Questa rete raggiunge una precisione eccellente per Ωm e σ8 (R2 ⩾ 0.95), ma fatica a ottenere le stesse prestazioni con ns. Per superare in parte questo ostacolo, siamo passati a un’architettura ibrida, che analizza anche lo spettro di potenza del campo affiancando una rete fully connected. Grazie a questo approccio raggiungiamo un valore di R2(ns) = 0.72, che sale ulteriormente a R2(ns) = 0.87 se raddoppiamo sia la risoluzione dei campi che le dimensioni del dataset.