Detailansicht
Super-resolution augmentations of large-scale cosmological structure formation
Andreas Michael Schanz
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Geowissenschaften, Geographie und Astronomie
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Astronomie
Betreuer*in
Oliver Hahn
Mitbetreuer*in
Florian List
DOI
10.25365/thesis.74186
URN
urn:nbn:at:at-ubw:1-11207.75357.627041-9
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Die Kosmologie befasst sich mit dem Ursprung von allem. Besonders interessant ist die Entstehung großer kosmologischer Strukturen und ihre Entwicklung über Milliarden von Jahren. All diese großräumigen Strukturen bestehend aus Filamenten, Halos und den sie verbindenden Knoten bilden das sogenannte kosmische Netz. Direkte Beobachtungen des kosmischen Netzes sind hier eine Herausforderung, aber es ist zum Beispiel möglich, das kosmische Netz über Lyman-alpha-Messungen, die von Quasaren oder spektroskopischen Galaxiendurchmusterungen stammen, zu rekonstruieren. Aufgrund dessen sind numerische Simulationen von großem Wert für die Interpretation von Beobachtungen. Neuere Simulationen wie Millenium-TNG, Flamingo usw. erfordern Millionen von CPU-Stunden bzw. Monate, um vollständig durchgeführt zu werden. Um die immensen Rechenkosten zu senken, könnte die Anzahl der Teilchen verringert werden, was letztlich zu einer geringeren (Massen-)Auflösung führt, oder es könnten numerische Vereinfachungen eingeführt werden, die zu größeren Unsicherheiten führen. Jüngste „Proof-of-Concept“-Studien haben gezeigt, dass niedrig aufgelöste kosmologische Simulationen von großräumigen Strukturen mithilfe von „Deep-Learning“-Techniken erfolgreich um kleinräumige Strukturen erweitert werden können. In diesem Zusammenhang werden zusätzliche Strukturen jenseits der Auflösungsgrenze einer billigen N-Körpersimulation mit niedriger Auflösung eingefügt, die aus einer hochauflösenden Simulation gelernt wurde. Alle bisherigen Ansätze zur Anwendung der Superauflösung auf kosmologische Simulationen wurden mit Generative Adversarial Networks (GANs) durchgeführt. Sogenannten „diffusion models“ gewinnen jedoch zunehmend an Popularität, da diffusion models im Vergleich zu GANs nachweislich qualitativ hochwertige Stichproben mit einer wesentlich höheren Stichprobenvielfalt erzeugen. In dieser Arbeit führe ich eine detaillierte Analyse von diffusion models im Zusammenhang mit der Superauflösung von kosmologischen Simulationen durch. Meines Wissens wurden diffusion models bisher noch nicht für die Superauflösung in einem kosmologischen Rahmen verwendet. In dieser Arbeit habe ich ein neuronales Netzwerk trainiert, das von den Dimensionen 64 x 64 bis 256 x 256 (Skalierungsfaktor 4) reicht. Zusätzlich haben wir eine neuartige Technik namens „Filter-boosted Training“ (FbT) entwickelt, um kleineren Skalen während des Trainings mehr Gewicht zu verleihen. Wir erreichen eine hohe statistische Übereinstimmung zwischen hoch- und superauflösenden Simulationen, mit einer maximalen Differenz von ~5% zwischen dem Powerspektrum auf allen Skalen. FbT bietet eine praktische Methode zur Verbesserung der Genauigkeit auf kleineren Skalen, die sonst nur schwer durch ein Diffusionsmodell reproduziert werden können.
Abstract
(Englisch)
Cosmology is the study of the origin of everything. Particularly interesting is the formation of large cosmological structures and their evolution over billions of years. All those large-scale structures from sheets, filaments, and the nodes connecting them form the so-called cosmic web. Direct observations of the cosmic web are challenging, however, it is possible to reconstruct the cosmic web via line-of-sight Lyman-alpha measurements taken from quasars or spectroscopic galaxy surveys. Primarily because of this difficulty, numerical simulations are of great value for interpreting observations or relating physical models to observations. Recent simulations such as Millenium-TNG, Flamingo, etc, require millions of CPU hours and respectively months to be fully carried out. Reducing the immense computational costs could involve decreasing the number of particles, ultimately lowering the (mass) resolution, which in turn leads to missing structures below the resolution limit, or introducing numerical simplifications, resulting in greater uncertainties. Recent proof-of-concept studies have shown that low-resolution cosmological simulations of large-scale structure formation can successfully be augmented with small-scale structure using deep learning techniques. In this context, additional structure is inserted beyond the resolution limit of a cheap low-resolution N-body simulation, which is based on the properties of small-scale structure that was learned from a high-resolution simulation. Such techniques carry large-potential if they can indeed reliably predict the properties of the un-resolved small-scale structure. All previous approaches applying super-resolution on cosmological simulation were carried out using Generative Adversarial Networks (GANs). However, so-called diffusion models are gaining popularity among the machine learning community, as diffusion models are shown to produce high quality samples with a much higher sample diversity compared to GANs. In this thesis, I provide a detailed analysis of diffusion models in the context of super-resolution of cosmological simulations. To the best of my knowledge, diffusion models have not yet been utilized for super-resolution in a cosmological framework, which makes them a particularly interesting class of generative models. I trained a neural network going from dimensions 64 x 64 to 256 x 256 (scale factor of 4). Additionally, we developed a novel technique called “Filter-boosted Training” (FbT) to put greater weight on smaller scales during training. We achieve high statistical agreement between high- and super-resolution simulations, with a maximum difference of ~5% between the power spectra at all scales. FbT offers a convenient method to improve accuracy at smaller scales that are otherwise difficult to reproduce by a diffusion model.
Schlagwörter
Schlagwörter
(Deutsch)
Kosmologie Neuronale Netzwerke Kosmisches Netz
Schlagwörter
(Englisch)
Cosmology Neural Networks Cosmic Web
Autor*innen
Andreas Michael Schanz
Haupttitel (Englisch)
Super-resolution augmentations of large-scale cosmological structure formation
Paralleltitel (Deutsch)
Superresolution-Augmentationen der großskaligen kosmologischen Strukturbildung
Publikationsjahr
2023
Umfangsangabe
xv, 83 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Oliver Hahn
Klassifikationen
39 Astronomie > 39.30 Kosmologie ,
54 Informatik > 54.72 Künstliche Intelligenz
AC Nummer
AC16930324
Utheses ID
67946
Studienkennzahl
UA | 066 | 861 | |