7.3 宇宙学模拟与理论建模

7.3 宇宙学模拟与理论建模

本节摘要：观测给出"是什么"，模拟回答"为什么"。宇宙学模拟从早期宇宙的初始条件出发，用引力与气体物理推进几十亿年，重现从暗物质晕到星系的形成过程。本节介绍 N 体、SPH、网格与半解析模型的工具谱系，以及模拟如何与观测互相校验。

模拟方法的谱系

从初始条件到星系

# powerspectrum.py —— 模拟初始条件思路示意
import numpy as np

def initial_conditions(N=128, seed=42):
    rng = np.random.default_rng(seed)
    k = np.fft.fftfreq(N) * N
    Pk = k**-1.0  # 近似的功率谱形状（示意）
    delta_k = rng.normal(size=N) * np.sqrt(Pk)  # 高斯涨落
    return np.fft.ifft(delta_k).real  # 实空间密度场

print("生成初始密度场，方差:", np.var(initial_conditions()))
​

模拟流程：设定宇宙学参数（Ωm、ΩΛ、σ8）→ 生成初始功率谱 → 在盒子里布置粒子 → 用引力+流体力学推进 → 在每个输出时刻识别暗物质晕与星系。

模拟能回答什么

• 暗物质晕的质量函数与偏袒（bias）——连接星系与晕的统计桥梁
• 星系并合历史与角动量演化
• 冲压剥离、潮汐破坏等环境效应的定量预测
• 再电离的光子预算与 IGM 加热历史

模拟与观测的对话

模拟的价值在于可证伪：预测的星系性质（恒星质量函数、颜色分布、形态占比）若与观测不符，就暴露模型的不足。著名的"缺失卫星问题"（模拟预测的矮星系比观测多一个量级）推动了超新星反馈与再电离加热机制的引入；"太亮太早问题"（JWST 高红移星系比模拟预测亮）正在推动对恒星形成效率的修正。模拟与观测互相修正，是天文学方法论的核心循环。

局限与未来

模拟受分辨率、子网格物理（恒星形成、反馈）与初始条件的制约。下一代工作流把模拟与机器学习结合：用模拟训练代理模型，再对观测做快速贝叶斯推断——"模拟驱动的宇宙学"正在成为主流。

⚠️ 常见误区：把模拟输出当"真相"。模拟是"如果模型正确，宇宙会是什么样"的假设演绎，必须与观测对照才有意义。

💡 关键直觉：模拟是理论的"试验台"——在计算机里重演宇宙，检验我们对物理的理解是否自洽。