Cosmo-SPINN: Fuzzy Dark Matter Simulations with Physics-Informed Generative Networks

Resumen Técnico: Cosmo-SPINN: Simulaciones de Materia Oscura Difusa con Redes Generativas Informadas por la Física

Planteamiento del Problema
La Materia Oscura Difusa (FDM, por sus siglas en inglés), modelada como un campo escalar ultraligero, ofrece una alternativa convincente a la Materia Oscura Fría (CDM) al resolver las tensiones de estructura a pequeña escala mediante el comportamiento ondulatorio gobernado por las ecuaciones de Schrödinger–Poisson (SP). Sin embargo, simular FDM es computacionalmente prohibitivo porque la longitud de onda de de Broglie debe resolverse en todo el volumen de la simulación, lo que limita las simulaciones cosmológicas a tamaños de caja pequeños en comparación con las simulaciones N-body de CDM estándar. Si bien el aprendizaje profundo ha mostrado promesa para acelerar las simulaciones cosmológicas y realizar tareas de superresolución (SR), los emuladores existentes suelen fallar al no imponer explícitamente la dinámica física subyacente. Esto conduce a artefactos no físicos, una generalización deficiente y un fracaso al capturar los fenómenos específicos de interferencia de ondas inherentes a la FDM. Además, los enfoques de SR estándar entrenados únicamente con datos tienen dificultades con la naturaleza mal planteada del problema, particularmente cuando aprenden solo en el espacio de densidad, el cual es agnóstico a la fase de la función de onda de la FDM.

Metodología
Los autores presentan Cosmo-SPINN, un marco generativo informado por la física basado en una arquitectura U-Net diseñada para abordar dos tareas complementarias: (i) la evolución temporal de los campos cosmológicos desde las condiciones iniciales hasta un factor de escala arbitrario, y (ii) la superresolución de simulaciones de FDM.

• Ecuaciones Gobernantes: El modelo está constreñido por las ecuaciones de Schrödinger–Poisson en una métrica de Friedmann–Lemaître–Robertson–Walker perturbada. El sistema evoluciona una función de onda compleja $\psi$ y un potencial gravitatorio $V$. Los autores utilizan un formalismo de tiempo "super-comóvil" para controlar mejor los errores numéricos en los redshifts bajos.
• Aprendizaje Informado por la Física: A diferencia de los emuladores estándar basados únicamente en datos, Cosmo-SPINN incorpora una función de pérdida informada por la física ($L_{physics}$) junto con la pérdida de reconstrucción de datos estándar ($L_{data}$). Esta pérdida penaliza explícitamente las violaciones de las ecuaciones SP durante el entrenamiento.
  • Método 1 (Residuo SP): La red minimiza los residuos de las ecuaciones diferenciales acopladas de SP directamente.
  • Método 2 (Aproximación Kick-Drift-Kick): Para la tarea de superresolución, una pérdida alternativa impone consistencia entre la salida del generador y una aproximación de primer orden del integrador numérico (esquema Kick-Drift-Kick).
• Arquitectura: El marco emplea una U-Net con bloques ResNet 3D. Las entradas incluyen los componentes de la función de onda (partes real e imaginaria), el potencial gravitatorio y el factor de escala cosmológico (codificado mediante características de Fourier). La red predice los campos de alta resolución completos (o los campos evolucionados) como una corrección residual al input.
• Estrategia de Entrenamiento: Los modelos se entrenan en dos etapas: una fase inicial de calentamiento utilizando solo la pérdida de datos, seguida de una fase donde la pérdida de física se incrementa gradualmente. Esto evita la inestabilidad de la optimización. Los datos de entrenamiento consisten en simulaciones de FDM de alta resolución generadas con el código Jaxion con un tamaño de caja de $1 \, h^{-1}\text{Mpc}$.

Contribuciones Clave

1. Primer Modelo Generativo Informado por la Física para FDM: El artículo presenta el primer modelo de superresolución generativa entrenado en simulaciones de FDM que incorpora la presión cuántica completa (resolviendo las ecuaciones SP completas), en lugar de aproximaciones simplificadas.
2. Marco de Doble Tarea: El marco aborda simultáneamente la evolución temporal y la superresolución espacial, demostrando que las restricciones informadas por la física mejoran el rendimiento en ambos regímenes.
3. Aprendizaje Consciente de la Fase: Al predecir los componentes real e imaginario de la función de onda (y el potencial) en lugar de solo la densidad, el modelo respeta la información de fase crítica para la interferencia de ondas de la FDM, abordando una limitación clave de los enfoques de SR basados solo en densidad.
4. Eficiencia de Datos: Los autores demuestran que el enfoque informado por la física mejora significativamente la eficiencia de los datos, permitiendo al modelo reproducir con precisión las simulaciones objetivo utilizando solo el 20% de los datos de entrenamiento disponibles.

Resultados

• Tarea de Evolución: Cuando se entrena en una única realización de las condiciones iniciales, el modelo informado por la física supera significativamente a un baseline de solo datos. La inclusión de la pérdida SP reduce el residuo SP en casi un orden de magnitud y mejora la reconstrucción del espectro de potencia a través del rango de redshift de entrenamiento. El modelo se generaliza efectivamente a realizaciones de condiciones iniciales no vistas, reproduciendo con precisión la morfología de gran escala, aunque las características de pequeña escala en los modos de alto $k$ muestran cierta degradación.
• Tarea de Superresolución: El estudio compara la pérdida de residuo SP con la pérdida de aproximación KDK.
  • Calidad Visual: El modelo entrenado con SP produce filamentos más nítidos y picos de densidad de mayor contraste, recuperando las texturas de pequeña escala de manera más efectiva que el modelo KDK, el cual genera estructuras más suaves y anchas.
  • Desempeño Estadístico: Ambos modelos recuperan el espectro de potencia objetivo hasta la escala de Jeans. Sin embargo, el modelo SP proporciona una coincidencia más cercana con el espectro de potencia de alto $k$ en ejemplos representativos, mientras que el modelo KDK exhibe una ligera supresión de potencia en números de onda altos.
  • Estabilidad vs. Precisión: La pérdida KDK ofrece un entrenamiento más estable con una brecha menor entre la pérdida de entrenamiento y la de prueba. En contraste, la pérdida SP, aunque es más rigurosa físicamente, es más difícil de optimizar, lo que conduce a una mayor varianza entre realizaciones y un ligero sesgo positivo en la potencia de pequeña escala a través del conjunto.
• Generalización: Los modelos se generalizan con éxito a realizaciones de condiciones iniciales previamente no vistas, manteniendo la consistencia física sin necesidad de un reentrenamiento explícito para esas semillas específicas.

Significancia y Reivindicaciones
Los autores afirman que Cosmo-SPINN proporciona una vía prometedora hacia la aceleración de las simulaciones SP de gran escala. Al imponer explícitamente la dinámica de Schrödinger–Poisson subyacente, el marco reduce sustancialmente los artefactos generativos y mejora la adherencia a las ecuaciones de evolución en comparación con los emuladores puramente basados en datos. Este trabajo establece la viabilidad de las redes generativas informadas por la física para las simulaciones cosmológicas que involucran materia oscura de naturaleza ondulatoria, permitiendo la generación de campos de FDM de alta resolución que son consistentes con la naturaleza mecánica cuántica fundamental del candidato de materia oscura. El estudio se centra en los redshifts dentro de la Época de la Reionización, donde la supresión de la estructura a pequeña escala por parte de la FDM deja firmas observables, lo que sugiere que estos emuladores son particularmente relevantes para restringir los modelos de FDM frente a futuros datos observacionales.