Galactic Alchemy: Deep Learning Map-to-Map Translation in Hydrodynamical Simulations
Eine neue Publikation leistet Pionierarbeit beim Einsatz generativer KI, um HPC-Simulationen des frühen Universums mit Beobachtungsdaten von Radioteleskopen zu verknüpfen.
Ein neue wissenschaftliche Publikation mit dem Titel „Galactic Alchemy: Deep Learning Map-to-Map Translation in Hydrodynamical Simulations” der CAI-Forschungsgruppe Intelligent Vision Systems (IVS) wurde kürzlich in den „Monthly Notices of the Royal Astronomical Society“ (MNRAS), einer der renommiertesten Fachzeitschriften für Astronomie und Astrophysik, veröffentlicht.
Seit 2022 beteiligen sich Forscher der ZHAW aus dem CAI (Dr. Philipp Denzel, Dr. Frank-Peter Schilling) und dem IWI der SML (Dr. Elena Gavagnin) gemeinsam mit anderen Schweizer Universitäten, darunter ETHZ, UZH und EPFL, am SKACH-Konsortium, dem Schweizer Beitrag zur globalen SKAO-Organisation (Square Kilometre Array Observatory), die das grösste Radioteleskop der Welt baut, das derzeit an zwei Standorten in Südafrika und Australien errichtet wird.
Das SKA hat nicht nur das Potenzial, unser Verständnis des Universums erheblich zu verbessern, sondern ist auch ein gewaltiges Data Science Projekt. Während des Betriebs wird das SKA beispiellose Datenmengen von ca. 700 Petabyte pro Jahr sammeln, die mit den schnellsten Supercomputern der Welt nahezu in Echtzeit verarbeitet werden müssen, bevor sie in wissenschaftlich nutzbares Format umgewandelt werden können.
Die SKA-Forschung an der ZHAW konzentriert sich auf die Anwendung von KI- und Deep-Learning-Methoden auf verschiedene Probleme im Zusammenhang mit der Interpretation von Beobachtungsdaten im Hinblick auf die zugrunde liegende Physik, und darauf eine Brücke zwischen HPC-Simulationen des frühen Universums und den Beobachtungen des SKA zu schlagen.
Die neue Veröffentlichung fällt in die zweite Kategorie. Sie zeigt, dass generative Deep-Learning-Modelle (Diffusionsmodelle oder Generative Adversarial Networks) die Forschung zur Galaxienentstehung revolutionieren können, indem sie Simulationen und Beobachtungen (z. B. durch das SKA-Teleskop) miteinander verbinden und so die Abhängigkeit von kostspieligen, wiederholten HPC-Simulationen verringern. Dies ist ein wichtiger Schritt hin zu effizienten next-generation Modellierungspipelines, automatisierter Auswertung von Teleskopbeobachtungen und der Bewältigung der damit einhergehenden Datenflut.
Die Publikation präsentiert die erste systematische Studie zur Multi-Domain Map-to-Map-Translation in Simulationen der Galaxienentstehung, wobei generative Deep-Learning-Modelle zur Vorhersage verschiedener galaktischer Eigenschaften genutzt werden. Unter Verwendung hochauflösender magnetohydrodynamischer Simulationsdaten (basieren auf der IllustrisTNG Simulations-Suite) vergleichen wir Conditional Generative Adversarial Networks und Diffusionsmodelle bei identischem Preprocessing und Evaluation und optimieren ihre (U-Net-) Architekturen und Attention Mechanismen im Hinblick auf die Genauigkeit physikalischer Eigenschaften auf der Skala von Galaxien.
Unser Ansatz befasst sich mit sieben astrophysikalischen Grössen – darunter dunkle Materie, Gas, neutraler Wasserstoff, Sternmasse, Temperatur und Magnetfeldstärke – und führt gleichzeitig physikalisch fundierte Bewertungsmetriken ein, die über die üblichen Metriken in der Bildverarbeitung hinaus gehen.
Wir zeigen, dass die Schwierigkeit der Map-to-Map Translation mit der physikalischen Kopplung korreliert und erreichen eine nahezu perfekte Genauigkeit bei dem Mapping von Gas auf dunkle Materie sowie bei Tasks, welche astrochemische Komponenten wie dem Verhältnis von Gesamtgasgehalt zu HI-Gehalt beinhalten, während wir gleichzeitig grundlegende Schwierigkeiten bei weniger stark eingeschränkten Tasks wie dem Mapping von Gas auf Sternmasse identifizieren.
Unsere Ergebnisse etablieren GAN-basierte Modelle als wettbewerbsfähige Alternativen zu modernsten Diffusionsansätzen bei einem Bruchteil der Rechenkosten (für Training und Inferenz) und ebnen den Weg für skalierbare, physikalisch korrekte generative Frameworks für die Modellierung als auch die Interpretation von Teleskop-Beobachtungen mit dem SKA.
Link zur Publikation: