Key points are not available for this paper at this time.
Wir präsentieren die COmoving Lagrangian Acceleration (COLA)-Methode: eine N-Körper-Methode zur Lösung der großskaligen Struktur (LSS) in einem Rahmen, der sich mit den Beobachtern bewegt, die Trajektorien folgen, die in der Lagrangian Perturbation Theory (LPT) berechnet wurden. Im Gegensatz zu standardmäßigen N-Körper-Methoden kann die COLA-Methode die Genauigkeit im kleinen Maßstab leicht zugunsten einer höheren Rechengeschwindigkeit trade-off, ohne die Genauigkeit im großen Maßstab zu opfern. Dies ist besonders nützlich für die kostengünstige Generierung großer Ensembles genauer Mock-Halo-Kataloge, die erforderlich sind, um die Galaxienansammlungen und schwaches Linsen zu untersuchen, da diese Kataloge entscheidend für die Durchführung detaillierter Fehleranalysen für laufende und zukünftige Umfragen der LSS sind. Zur Veranschaulichung haben wir einen COLA-basierten N-Körper-Code auf einer Box der Größe 100Mpc/h mit Partikeln der Masse ~5*10⁹Msolar/h ausgeführt. Das Ausführen des Codes mit nur 10 Zeitschritten reichte aus, um eine genaue Beschreibung der Halo-Statistik bis zu Halo-Massen von mindestens 10¹¹Msolar/h zu erhalten. Dies geschieht nur mit einem bescheidenen Geschwindigkeitsverlust im Vergleich zu Mocks, die mit LPT erhalten wurden. Ein standardmäßiger detaillierter N-Körper-Lauf ist um Größenordnungen langsamer als unser COLA-basierter Code. Der Geschwindigkeitsvorteil, den wir mit COLA erzielen, beruht darauf, dass wir die großskaligen Dynamiken genau unter Verwendung von LPT berechnen, während wir dem N-Körper-Code ermöglichen, die kleinen Skalen zu lösen, ohne dass er die internen Dynamiken der Halos exakt erfassen muss. Ein ähnliches Niveau an Genauigkeit in der Halo-Statistik ohne die COLA-Methode zu erreichen, erfordert mindestens dreimal mehr Zeitschritte als bei Verwendung von COLA.
Tassev et al. (Mon,) haben diese Frage untersucht.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: