syren-halofit: A fast, interpretable, high-precision formula for the $Λ$CDM nonlinear matter power spectrum
作者: Deaglan J. Bartlett, Benjamin D. Wandelt, Matteo Zennaro, Pedro G. Ferreira, Harry Desmond
分类: astro-ph.CO, astro-ph.IM, cs.LG, cs.NE
发布日期: 2024-02-27 (更新: 2024-04-15)
备注: 11 pages, 8 figures. Accepted for publication in A&A
期刊: A&A 686, A150 (2024)
DOI: 10.1051/0004-6361/202449854
💡 一句话要点
提出syren-halofit以快速准确计算非线性物质功率谱
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 非线性物质功率谱 宇宙学 符号回归 halofit模型 计算效率 参数优化 N-体模拟
📋 核心要点
- 现有的解析近似方法在计算非线性物质功率谱时速度慢且准确性不足，无法满足宇宙学研究的需求。
- 本文通过符号回归获得了非线性尺度、有效谱指数和曲率的简单解析近似，并优化了halofit模型的参数。
- 实验结果表明，syren-halofit在速度上比现有halofit和hmcode实现快2350倍，且在准确性上显著优于EuclidEmulator2。
📝 摘要（中文）
快速且准确地评估非线性物质功率谱$P(k)$对于宇宙学至关重要。现有的解析近似方法在速度和准确性上均不及数值仿真。本文采用符号回归技术，获得了非线性尺度$k_σ$、有效谱指数$n_{ m eff}$和曲率$C$的简单解析近似，并重新优化了halofit模型的系数，以适应多种宇宙学和红移条件。我们的结果与EuclidEmulator2的预测相匹配，并通过$N$-体模拟进行了验证。最终，syren-halofit在速度和准确性上均显著优于现有方法。
🔬 方法详解
问题定义：本文旨在解决现有解析近似方法在计算非线性物质功率谱$P(k)$时速度慢、准确性不足的问题。现有方法在处理多种宇宙学和红移条件时表现不佳。
核心思路：通过符号回归技术，本文获得了非线性尺度$k_σ$、有效谱指数$n_{ m eff}$和曲率$C$的简单解析表达式，并对halofit模型的参数进行了重新优化，以提高计算效率和准确性。
技术框架：整体流程包括符号回归以获得解析近似、优化halofit参数以适应不同宇宙学条件、以及与$N$-体模拟进行验证。主要模块包括符号回归模型、参数优化模块和验证模块。
关键创新：最重要的创新在于引入了符号回归技术来简化非线性尺度、有效谱指数和曲率的计算，同时重新优化halofit参数，显著提高了计算速度和准确性。与现有方法相比，syren-halofit在速度和准确性上均有显著提升。
关键设计：在参数设置上，采用了适应多种宇宙学条件的优化策略，损失函数设计为最小化与$N$-体模拟结果的偏差，确保了模型的准确性和鲁棒性。
📊 实验亮点
实验结果显示，syren-halofit在计算速度上比现有halofit和hmcode实现快2350倍和3170倍，且在与EuclidEmulator2的比较中，根均方误差从3%降低到2%以下，最终实现了1%的误差，展现出卓越的性能。
🎯 应用场景
该研究的潜在应用领域包括宇宙学模拟、天文观测数据分析以及大规模宇宙结构研究。通过提高非线性物质功率谱计算的速度和准确性，syren-halofit能够为未来的宇宙学研究提供更有效的工具，推动相关领域的发展。
📄 摘要（原文）
Rapid and accurate evaluation of the nonlinear matter power spectrum, $P(k)$, as a function of cosmological parameters and redshift is of fundamental importance in cosmology. Analytic approximations provide an interpretable solution, yet current approximations are neither fast nor accurate relative to numerical emulators. We use symbolic regression to obtain simple analytic approximations to the nonlinear scale, $k_σ$, the effective spectral index, $n_{\rm eff}$, and the curvature, $C$, which are required for the halofit model. We then re-optimise the coefficients of halofit to fit a wide range of cosmologies and redshifts. We explore the space of analytic expressions to fit the residuals between $P(k)$ and the optimised predictions of halofit. Our results are designed to match the predictions of EuclidEmulator2, but are validated against $N$-body simulations. Our symbolic expressions for $k_σ$, $n_{\rm eff}$ and $C$ have root mean squared fractional errors of 0.8%, 0.2% and 0.3%, respectively, for redshifts below 3 and a wide range of cosmologies. The re-optimised halofit parameters reduce the root mean squared fractional error (compared to EuclidEmulator2) from 3% to below 2% for wavenumbers $k=9\times10^{-3}-9 \, h{\rm Mpc^{-1}}$. We introduce syren-halofit (symbolic-regression-enhanced halofit), an extension to halofit containing a short symbolic correction which improves this error to 1%. Our method is 2350 and 3170 times faster than current halofit and hmcode implementations, respectively, and 2680 and 64 times faster than EuclidEmulator2 (which requires running class) and the BACCO emulator. We obtain comparable accuracy to EuclidEmulator2 and BACCO when tested on $N$-body simulations. Our work greatly increases the speed and accuracy of symbolic approximations to $P(k)$, making them significantly faster than their numerical counterparts without loss of accuracy.