Кратко и по делу — какие методы применять, какие упрощения допустимы и как валидация.
1) Базовая комбинация методов
- Гравитация: N‑body для тёмного вещества и звёзд (частицы; прямое интегрирование/Tree или TreePM).
- Гидродинамика для газа: один из подходов — SPH (см. GADGET), AMR (см. RAMSES) или движущаяся сетка (moving‑mesh, AREPO). Выбор: AMR/AREPO лучше для ударных волн и смешивания, SPH — проще и «меньше шума» при низкой разрешающей способности.
- Звёздообразование и СФ — подрешётные рецепты (см. Schmidt/Kennicutt): ${\dot{\rho }}_{\ast }={ϵ}_{\mathrm{SF}}{\rho }_{\mathrm{gas}}/t_{\mathrm{ff}}$, где $t_{\mathrm{ff}}=(3\pi /32G\rho {)}^{1/2}$.
- AGN: «синка» (sink) частица для ЧДМ; аккреция по Bondi с поправками и ограничением Эддингтона: ${\dot{M}}_B=4\pi G^2{M}_{\mathrm{BH}}^2\rho /(c_s^2+v^2{)}^{3/2}$, $\dot{M}=\min ({\dot{M}}_B,{\dot{M}}_{\mathrm{Edd}})$, ${\dot{M}}_{\mathrm{Edd}}=L_{\mathrm{Edd}}/(\eta c^2)$, $L_{\mathrm{Edd}}=4\pi G{M}_{\mathrm{BH}}{m}_{p}c/{\sigma }_T$. Энергия обратной связи: $\dot{E}={ϵ}_f{ϵ}_r\dot{M}{c}^2$.
2) Подробности подрешётных моделей (обязательные элементы)
- Охлаждение/нагрев: табличное радиативное охлаждение + UV фоновое поле; при необходимости — простая химия (H2) для холодной фазы.
- Преднастройки СФ: порог плотности $n_{\mathrm{th}}$, эффективность ${ϵ}_{\mathrm{SF}}$, стохастическое преобразование частиц газа → звёзд.
- Обратная связь SNe: тепловая и/или кинетическая инъекция энергии и массы; параметры: энергия на SN, масса возврата, массовая загрузка (mass loading).
- AGN‑feedback: тепловая/кинетическая/радиационная модели; параметры: ${ϵ}_r$ (радиационная эффективность), ${ϵ}_f$ (доля, связанная с ISM).
3) Возможные упрощения (когда вычисления ограничены)
- Вместо полной РТ — пост‑процессинг радиационной передачи для синтетических наблюдений; внутри симуляции использовать табличную/скалярную абсорбцию/псевдо‑эффективное УТО.
- Эффективный уравнение состояния для мультифазного ISM (Springel&Hernquist): не моделировать детальную структуру облаков.
- Использовать «zoom‑in» (высокое разрешение только в интересующей зоне) вместо полной высокой резолюции по всей коробке.
- Исключить MHD и космические лучи, если их влияние на метрики интереса оценивается как малое; добавлять позже по необходимости.
- Для обзора параметров — эмульгаторы/псевдо‑модели (см. ML) вместо каждой полной симуляции.
4) Роль машинного обучения
- Эмуляция выходов дорогих симуляций (нейросети, Gaussian processes) для быстрого сканирования параметров.
- Калибровка подрешётных параметров: оптимизация (Bayesian optimization) по наборам наблюдений.
- Автоматическое сравнение с наблюдениями: синтетические изображения → CNN для морфологии/классификации стадий слияния.
- Предсказание параметров (MCMC+эмулятор) и скорейшая оценка чувствительности. Ограничение: непредсказуемость вне обучающей выборки — делать проверочные «физические» симуляции.
5) Численные требования и тесты сходимости
- Массовое разрешение: частицы газа/звёзд $m\lesssim 10^4-10^5{M}_{\odot }$ для разрешения крупных молекулярных облаков в zoom‑runs; для общих исследований можно $10^5-10^6{M}_{\odot }$.
- Пространственная разрешающая способность (softening/AMR cell): $\lesssim 100$ pc для глобальной картины, $\sim 10$ pc для детальной СФ/фидбека.
- Консервативные тесты: изменение разрешения, изменение величин softening, изменение параметров подрешётных моделей; проверять сходимость ключевых метрик (SFR, масса убеждаемых выбросов, масса SMBH).
- Временные шаги должны удовлетворять CFL‑условию для гидро и критерия изменения углового момента для частиц.
6) Валидация наблюдениями (практика)
- Синтетические наблюдения: делать рендеринг в оптике/IR/радио/линии (H$\alpha$, CO, HI) через радиативную передачу (SKIRT, SUNRISE), учитывать пыль, PSF и шум инструмента.
- Морфология: сравнить tidal tails, ядра, распределение звёзд/газа с конкретными примерами (Antennae, NGC 7252) и с распределениями в выборках merger surveys.
- Кинематика: сравнить LOS‑velocity поля и дисперсии с IFU (MUSE, MaNGA) и радиальными профилями.
- СФ и SED: сравнить SFR(t), пик СФ, общую SFR‑историю и спектры/фотометрические цвета с наблюдаемыми SFR и SED.
- AGN: сравнить временную эволюцию AGN‑люмин. и фракции «комптоновских»/объединённых AGN; сверить пиковые L_AGN, duty cycle; сравнить свойства выбросов (скорость, mass loading) с наблюдаемыми из спектроскопии (например, [OIII], NaID).
- Газовые карты: сравнить распределение и массы молекулярного газа (CO), нейтрального HI (ALMA, VLA).
- Статистические метрики: распределения параметров (SFR, M_BH, mass ratios), KS‑тесты, posterior predictive checks; сравнить долю и длительность стадий слияния с наблюдаемыми merger fractions.
- Конкретные проверки масштаб‑зависимости: масштабные законы (Kennicutt), M–sigma и другие масштабные соотношения для конечных продуктов слияния.
7) Рекомендация по рабочему плану
- 1) Подготовка набора моделей: несколько mass ratios, углы, газовые фракции.
- 2) Запуск zoom‑sim с AMR/AREPO для нескольких контрольных случаев (высокое разрешение).
- 3) Серия низкоразрешённых runs для статистики (широкий параметрический скан).
- 4) Пост‑обработка: радиативная передача → синтетические изображения/спектры.
- 5) Калибровка подрешётных параметров через ML‑эмулятор и сравнение с наблюдениями; контроль сходимости.
8) Ошибки и риски
- Подрешётные параметры влияют на SFR и фидбек сильнее, чем мелкие изменения гравитационной схемы — требуется тщательная калибровка.
- ML‑эмулаторы не гарантируют физическую интерпретируемость — использовать их для ускорения, но не для окончательных выводов.
Если нужно, могу предложить конкретные коды (GADGET/AREPO/RAMSES/ENZO), типичные значения параметров (${ϵ}_r\sim 0.1$, ${ϵ}_f\sim 0.05$) и пример рабочего конвейера для реализации.