DiffstarPop: A generative physical model of galaxy star formation history

DiffstarPop 技术摘要：星系恒星形成历史的生成式物理模型

问题陈述
预测星系群体的统计特性是宇宙学中的核心挑战，需要在物理保真度与计算效率之间取得平衡。现有方法面临权衡：宇宙学流体动力学模拟（如 IllustrisTNG）提供高物理细节，但对于大规模参数探索而言计算成本过高；经验模型（如 HOD、SHAM）速度快，但依赖简化假设，限制了物理真实性；半解析模型（SAMs，如 Galacticus）提供了折中方案，但对于全贝叶斯推断而言计算成本依然昂贵。此外，尽管可微分编程已推动宇宙学前向建模的发展（例如用于晕质量组装的 Diffmah），但此前一直缺乏一个可微分的、基于物理的框架，能够将晕质量组装历史（MAH）与星系恒星形成历史（SFH）联系起来，并能够复现多样化的模拟群体。

方法论
作者引入了 DiffstarPop，这是一个在 JAX 中实现的完全可微分前向模型，建立了暗物质晕的 MAH 与其宿主星系的 SFH 之间的统计联系。该模型基于三个核心组件构建：

1. Diffmah（晕 MAH）： 一个描述单个晕质量组装历史 $M_p(t)$ 的参数化模型。作者引入了 Diffmah 的更新版本，包含一个新参数 $t_p$，代表晕增长停止时的宇宙时间。这使得能够更准确地描述具有早期落入时间的子晕。
2. Diffstar（星系 SFH）： 一个描述单个星系恒星形成率 $\dot{M}_\star(t)$ 的参数化模型。更新后的 Diffstar 模型通过移除显式的、参数化的气体消耗函数，简化了物理描述。相反，它计算可用于恒星形成的总累积重子质量，并将转换效率量化为一个时间尺度。该效率 $\epsilon_{ms}$ 依赖于晕质量，在临界质量 $M_{crit} \approx 10^{12} M_\odot$ 处达到峰值。该模型还包括用于淬灭事件（$t_q$）和潜在复苏（$q_{rejuv}$）的参数。
3. DiffstarPop（连接部分）： 该组件对条件概率分布 $P(\theta_{SFH} | \theta_{MAH})$ 进行建模，其中 $\theta_{MAH}$ 是 Diffmah 参数，$\theta_{SFH}$ 是 Diffstar 参数。它假设了一个双组分高斯混合模型：一个“主序”群体（从未淬灭的星系）和一个“淬灭”群体（经历显著淬灭事件的星系）。这些分布的均值、标准差以及混合比例（淬灭比例）被参数化为当前晕质量（$m_{p,0}$）的函数，对于淬灭群体，还依赖于晕形成时间（$t_p$）。

该模型通过最小化预测的恒星质量和比恒星形成率（sSFR）概率密度函数（PDF）与源自模拟数据的目标 PDF 之间的均方误差进行训练。为了实现基于梯度的优化，作者采用“三权重核”来平滑离散直方图分箱，从而使 PDF 完全可微分。

主要贡献

• 可微分生成模型： DiffstarPop 提供了一个完全可微分的框架，用于基于晕 MAH 生成星系 SFH，使得能够使用基于梯度的算法（如哈密顿蒙特卡洛）进行推断和优化。
• 更新的物理模型： 本文介绍了 Diffmah 的更新版本（引入 $t_p$ 以描述停止增长）和 Diffstar 的更新版本（移除显式消耗核以提高速度和精度）。
• 跨模拟验证： 该模型针对三种不同的星系形成模型进行了压力测试：流体动力学模拟 IllustrisTNG、半解析模型 Galacticus 以及半经验模型 UniverseMachine。
• 计算效率： JAX 实现允许在 1.1 个 CPU 秒或 0.03 个 GPU 秒内生成 $10^6$ 个星系 SFH，相比传统 SAM 实现了显著加速。

结果
作者证明，DiffstarPop 能够在广泛的晕质量（$10^{11} - 10^{14.5} M_\odot$）、恒星质量（$10^9 - 10^{11.5} M_\odot$）和红移（$0 < z < 3$）范围内，准确复现由三个目标模拟预测的星系 SFH 统计分布。

• 恒星 - 晕质量关系： 该模型恢复了 PDF $P(M_\star | M_h, z)$，典型的 Kullback–Leibler (KL) 散度为 0.01–0.02。
• 比恒星形成率： 该模型恢复了 PDF $P(\text{sSFR} | M_\star, z)$，典型的 KL 散度为 0.02–0.03。
• 灵活性： 该模型成功捕捉了模拟之间淬灭比例的差异（例如，Galacticus 预测的大质量中心星系的淬灭比例低于 IllustrisTNG 和 UniverseMachine），并适应原位以及原位加外源恒星形成历史。
• 性能： 与前一版本相比，更新后的 Diffstar 模型提高了精度，并将运行时间和内存使用量减少了 10 倍。

意义与主张
本文声称，DiffstarPop 提供了一种“最小灵活”但稳健的星系 - 晕连接参数化方案。其主要意义在于能够作为分析观测星系群体的快速、可微分先验。通过生成填充 N 体模拟中并合树的合成星系目录，DiffstarPop 促进了即将开展的巡天项目（如 LSST、Roman、Euclid、DESI）的模拟目录创建，并实现了对观测星系物理属性的基于梯度的贝叶斯推断。

作者明确指出，DiffstarPop 并非旨在成为复杂流体动力学模拟的完美统计复制品，也非旨在捕捉 SFH 中的短期随机涨落。相反，其目标是提供一个物理可解释、计算高效的框架，以捕捉星系形成的关键统计趋势，从而弥合复杂模拟与观测数据分析之间的差距。该模型作为 Diffstar 代码库的一部分公开可用，并已在 Diffsky 流程中用于建模宇宙学推断的光谱能量分布（SED）和测光数据。