模型输出的是六维相空间而非仅密度
论文的目标不是密度图，而是粒子相空间。每个快照被表示为规则拉格朗日网格上的六通道场：三个位移分量和三个速度分量。若q是粒子的拉格朗日网格坐标，其欧拉位置为x = q + s(q)，位置在盒子上做周期性回绕。生成器把低分辨率位移和速度场映射为与高分辨率目标具有相同六通道表示的超分辨率场，因此输出可以送入与高分辨率模拟相同的寻晕流程。
这一区别决定了结果能支撑什么。由于位移和速度是联合生成的，模型可以在坍缩结构和子结构上接受检验，而不只是两点聚类。论文用物质功率谱、晕质量函数、子晕质量函数和平均卫星占据数进行验证，并把卫星统计视为关于粒子在致密环境内部如何重组、可与P(k)互补的信息。
一个模型、五个宇宙学参数、无需重训
生成器和判别器都以同一个风格向量s_style = (a, Ωm, Ωb, h, ns, σ8)为条件，该向量被送入每个调制卷积处的学习线性映射。本工作所有训练和评估都在z = 0进行，因此a = 1。架构沿用作者此前超分辨工作的StyleGAN2改造版生成器和判别器，采用StyleGAN2权重调制与解调、用于随机变化的高斯噪声注入，以及一个把每个空间轴网格分辨率加倍的单H块。
训练数据是来自Quijote拉丁超立方套件的100对匹配的低–高分辨率样本，每个对应一个不同的LH宇宙学，各自在z = 0处有独立随机种子。LH集同时变化全部五个参数，范围为Ωm ∈ [0.10, 0.50]、Ωb ∈ [0.03, 0.07]、h ∈ [0.50, 0.90]、ns ∈ [0.80, 1.20]、σ8 ∈ [0.60, 1.00]，中微子质量固定为Mν = 0，暗能量状态方程固定为w = −1。盒子边长为1 h⁻¹ Gpc，把512³ LR粒子与1024³ HR粒子配对，即每个空间轴固定放大2倍，粒子数放大8倍。
评估使用另外十个被排除在超分辨训练之外的LH宇宙学：一个近基准参考，加上九个按主导参数偏移标记的额外点（Ωm±、Ωb±、σ8±、ns±、h−）。在每个非参考测试宇宙学中，五个参数都与参考不同，因此这些标签标识的是具体情形，而不是隔离单参数变化。
超分辨被训练为随机映射
低分辨率模拟并未指定高分辨率运行中额外存在的短波模式。因此论文把超分辨建模为条件随机映射，噪声输入允许同一LR实现和宇宙学产生不同输出，并有意在优化目标中省略逐体素重建损失。训练使用带梯度惩罚的Wasserstein-GAN损失（λ_GP = 10），每16次判别器更新评估一次，并在这些更新上把系数乘以16。配对的均方误差仅作为诊断记录，不贡献梯度。
这与确定性模拟不同，后者会提供高分辨率初始条件以确定目标实现。对读者的后果是：一致性应按实现做统计判断，而不是看某个粒子是否落在其高分辨率对应位置上。论文自身的表述是，LR模拟提供大尺度实现及其非线性演化，而模型学习为该实现添加更小尺度的结构。
功率谱在百分之几水平一致，但存在共享偏差
物质功率谱用nbodykit计算：把1 h⁻¹ Gpc盒子中的粒子用Cloud-in-Cell质量分配方案分配到每边1024个网格单元的网格上，关闭CIC窗口补偿和交错。所有HR目标和SR输出使用相同的网格、质量分配方案和k分箱。网格覆盖从基模k_f ≈ 6.3 × 10⁻³ h Mpc⁻¹到网格奈奎斯特波数k_Nyq^mesh ≈ 3.2 h Mpc⁻¹。
在基准宇宙学上，|ε_abs|在0.1 < k < 3 h Mpc⁻¹范围内的最大值为3.1%，平均带符号误差为+0.9%，其中ε_abs ≡ A² − 1，A为振幅比√(P_SR/P_HR)。在包括基准情形在内的全部十个宇宙学上，同一区间内每个宇宙学最大绝对功率误差的平均值为3.6%。偏离1的程度虽小但依赖尺度：大尺度上谱高度一致，中等波数处出现共同的SR功率超出，高k处测试情形之间的离散更大。
论文通过定义依赖尺度的基准偏差b_fid(k) = P_SR(k; θ_fid)/P_HR(k; θ_fid)，并对每个SR谱施加相同的修正因子1/b_fid(k)，把这种共享模型偏差与宇宙学之间的差异分开。校准后的比值Q在九个非基准宇宙学上保持在1的约2%以内。这种一致性一直持续到LR粒子奈奎斯特频率k_Nyq^LR ≈ 1.6 h Mpc⁻¹，并延伸到LR与HR粒子奈奎斯特频率之间的区间；在该区间，LR场不再包含独立分辨的傅里叶模式，模型必须从已分辨的LR场、随机输入和宇宙学条件生成未分辨的小尺度结构。这些一致性都不是来自训练损失中的显式功率谱项。
晕丰度成立，卫星统计不成立
由于模型输出完整粒子相空间，其预测可以用与HR模拟相同的寻晕流程处理。Friends-of-friends晕丰度在低于10^14.8 h⁻¹ M⊙的分析质量区间内与HR一致到15%以内。子晕丰度存在更大的、依赖质量的误差，卫星占据数在质量较大的宿主晕中越来越被压低，且在各测试宇宙学中呈现相似的宿主质量依赖。
论文把这一缺陷与其此前工作超分辨基线中发现的类似缺陷联系起来，那里曾把粒子分块方式作为限制因素加以考察。这提示改变训练块的空间上下文——需要显存更大的GPU——是一个具体的下一步，或者在训练中引入寻晕步骤，用强化学习把不可微反馈传给模型。基准修正解释了这些统计误差中相当大的一部分共享成分，但残余的卫星差异仍处于百分之几十的水平。
实际解读是：统计量决定模型可被信任的程度。聚类和宿主晕丰度分别重现到百分之几和15%的水平，而对子结构敏感的统计量仍是明显弱点，论文把它们视为下一轮模型改进的目标。
微小的谱残差仍会移动推断参数
为把谱精度与参数估计联系起来，论文把匹配的HR和SR谱送入同一个在HR谱上训练的神经后验估计器，并保持估计器固定，使测得的偏移只反映用SR输入替代HR输入。对每个匹配对i和参数j，归一化后验均值偏移为Δ = (θ̂_X − θ̂_HR)/σ_HR，以HR后验标准差为共同单位。
对原始SR谱，RMS归一化偏移在Ωm中为2.1、在ns中为1.7、在σ8中为2.7，而Ωb和h的偏移约为0.1。σ8偏移在全部十个宇宙学中均为正，而Ωm和ns偏移符号不一。施加相同的基准功率谱修正后，σ8的RMS偏移从2.7降到0.7，Ωm从2.1降到1.7，而ns偏移仍约为1.7。因此该修正消除了正σ8偏移的相当大一部分，剩余的Ωm和ns偏移衡量的是校准后残余谱差异对参数的影响。
论文的解释是：谱残差的影响取决于其尺度依赖性和谱随宇宙学参数变化的方向，因此跨分箱虽小但一致的差异可以造成可观的参数位移。该比较使用k_max = 2 h Mpc⁻¹，延伸到非线性区并超过LR粒子网格奈奎斯特波数。基准参考LH 1128本身被用于确定b_fid(k)，因此其修正后谱按构造与HR参考一致；其余九对则检验该修正能否迁移。
校准可以迁移，但只对部分统计量
基准校准后的改善表明，SR与HR差异中相当大一部分在各测试宇宙学间是共享的。对每个统计量，从近基准宇宙学处的SR与HR比值导出一个依赖尺度或质量的修正，并施加到其余九个测试宇宙学。这减小了功率谱偏移，并改善了FoF晕丰度和质量较大宿主晕中卫星占据数的一致性。在k ≈ 0.4 h Mpc⁻¹附近，约2–4%的SR功率超出在校准后降到约1%量级的分数残差。
有两点限定。第一，修正只施加到测量统计量上，不改变实际生成的粒子场，因此并未修复底层的子结构预测。第二，卫星统计中仍留有更大残差，意味着校准的有效性取决于统计量以及所考虑的尺度或质量。论文指出，要实现其场级基于模拟的推断目标——即不依赖汇总统计量、直接从三维场学到的信息推断参数——需要改进模型对质量较大宿主晕内部结构的理解。
按统计量而非平均精度评判该模型
论文对其贡献的总结是：宇宙学感知的超分辨模型能在各测试宇宙学上重现物质聚类和晕丰度，同时量化卫星统计和参数推断中的残余误差。证据中最具决策意义的分界是统计量之间的分界：一边是百分之几水平的功率谱和低于10^14.8 h⁻¹ M⊙内15%以内的FoF晕丰度，另一边是依赖质量的子晕和卫星占据数误差。
第二个分界是原始使用与校准使用之间。单次基准功率谱校准可迁移到其余九个宇宙学，并把σ8的RMS归一化偏移从2.7降到0.7，但Ωm和ns偏移仍接近1.7，且不改变生成的场。对使用这些实现的人而言，关键问题因此是下游分析依赖哪个统计量和哪个参数：从功率谱推断σ8是校准最明确挽救的情形，而对子结构敏感的测量以及残余的Ωm和ns偏移，则是模型剩余误差仍需被显式承担的地方。
论文还指出，把模型联合扩展到宇宙学和红移、改进子结构预测以及采用其他先进方法仍是开放方向，并且在正向建模应用中，生成的物质场和晕场还会进一步进入星系族群和巡天选择模型。这些是论文陈述的方向，而非本文展示的结果。
本文引用的文献
AI-assisted super-resolution cosmological simulations V: Cosmology-aware super-resolution
一个以五个ΛCDM参数为条件的单一GAN在z = 0处把512³ Quijote粒子映射到1024³，并在十个未参与训练的宇宙学上把物质功率谱重现到0.1 < k < 3 h Mpc⁻¹范围内每个宇宙学最大绝对误差平均3.6%，把低于10^14.8 h⁻¹ M⊙的FoF晕丰度重现到15%以内，而卫星统计仍保留较大的、依赖质量的误差。