基于 GAN 自编码器的大规模宇宙结构演化预测
原文中文，约300字，阅读约需1分钟。发表于：。使用基于 GAN 的自编码器在 1 维和 3 维暗物质场的宇宙学模拟中预测结构演化，发现对于 2D 模拟，只使用密度场可较好地预测结构演化，而对于 3D 模拟，在输入速度场的情况下能够显著提高结果，不受输入与目标之间的时间差异影响。
通过培训在两个不同的CAMELS流体动力学宇宙学模拟套件数据上的模型，研究了领域自适应图神经网络（DA-GNNs）的泛化能力。通过最大均值差异（MMD）实现了无监督领域自适应，证明了DA-GNN在跨数据集任务上获得了更高的准确性和鲁棒性。显示出领域适应对适当的潜空间数据对齐的效果，表明DA-GNN是一种提取领域独立宇宙学信息的有前途的方法，对于真实宇宙调查数据的强大深度学习是至关重要的一步。
