CNN+FoF 混合流水线在宇宙学 N 体模拟中以约一个数量级加速识别暗物质晕，最高分辨率下粒子分类指标超过 98%

该流水线把晕识别拆成“GPU 上的粒子级二分类 + CPU 上的并行 FoF 聚类”两步，CNN 在最高分辨率 L100-N1283 配置下准确率 98.69%、精确率 98.01%、召回率 98.42%、特异度 98.80%，AUC 0.999，最优概率阈值为 0.498。 此前基于机器学习的晕识别多作用于初始条件或近似预测（如 Berger & Stein 2019 在拉格朗日原晕区域做分割、Bernardini et al. 2020 用分类加回归网络），本文则直接从完全演化的非线性粒子分布中检测已维里化的晕，并把 CNN 分类与经典 FoF 聚类串联成完整流水线。 在 350 个训练、50 个验证、100 个测试模拟上做监督训练，标签来自 ROCKSTAR；四个分辨率配置（L200-N32³、L200-N64³、L200-N128³、L100-N128³）给出相近指标，混淆矩阵显示 TP 36.25%、FN 0.71%、FP 0.60%、TN 62.44%。

CNN 分类把需要后续处理的粒子压缩到约 37%，使并行 FoF 只需在高度成团的子集上运行，最终晕表在最高分辨率下全局纯度 99.38%、全局完备度 89.34%，虚假探测仅占 0.62%。 传统 FoF 基于直接粒子搜索、本质串行，难以并行化；本文利用 CNN 输出天然成团、空间上彼此分离这一结构，采用体素级加粒子级两阶段搜索、Peano-Hilbert 曲线重排和 Popcorn 体素工具，把聚类代价显著降低。 纯度与完备度在四个分辨率上分别给出（纯度 97.79%–99.38%，完备度 86.43%–89.34%）；匹配判据为 FoF 晕中心与最近 ROCKSTAR 晕中心距离小于 ROCKSTAR 的 r200b。

重建的晕性质与参考目录高度一致：质心位置偏移 ΔX_i/r200b 在三个坐标轴上均尖锐地集中在零附近，速度分量比值围绕 1 分布且离散较小，晕质量与 ROCKSTAR 呈紧致线性相关，晕质函数在中等与高质量段偏差在 5% 以内，球平均密度剖面 ρ(r) 在五个质量分箱中紧密跟随 ROCKSTAR。 这说明该流水线不只给出晕的位置与质量，还复现了内部质量分布这一对星系巡天建模更敏感的量，而不仅是总量统计。 基于 100 个测试模拟的完整目录（含未匹配晕）计算晕质函数与密度剖面；质量相关分析采用 M=5×10^11 M⊙ 作为下限，该下限由完备度在 5×10^11 M⊙ 以上稳定在约 93% 这一稳定性指标确定。

相对 ROCKSTAR，CNN+FoF 在全部测试分辨率上取得约一个数量级的加速，运行时间比为 8 到 12。 加速来自 CNN 在单次 GPU 前向传播中完成大部分粒子判定，而 ROCKSTAR 的代价主要来自迭代式六维相空间搜索；作者指出当前墙钟时间主要由输入输出和并行 FoF 聚类主导，而非 CNN 前向传播。 在四个分辨率配置上测量平均运行时间并给出 ROCKSTAR 与 CNN+FoF 的比值；作者同时说明分类（GPU）与 FoF（CPU）目前仍是分离模块。

该结果面向红移 z=0 的平坦 ΛCDM 宇宙学、由 GADGET-4 生成并以 ROCKSTAR 为标签的 N 体模拟，适用于需要快速、批量产出晕表的前向建模与模拟推断场景，例如与场级模拟器或 SBI 框架耦合以量产模拟目录。作者把 M=5×10^11 M⊙ 设为质量下限，因为完备度在该质量以上稳定在约 93%；对更小质量，晕由较少粒子构成，边界定义带来的敏感性上升。方法上，CNN 与 FoF 目前仍是分离模块，作者把把聚类阶段直接并入网络、做成端到端可微晕识别器列为下一步工作。

作者指出若干开放方向：把聚类阶段整合进网络以形成端到端可微晕识别器、在更大模拟体积与不同宇宙学参数下评估泛化性，以及借助 evolution mapping 之类技术把学到的特征迁移到不同红移与宇宙学以降低训练成本。读者在解读纯度与完备度时需注意二者随质量变化：低质量端的纯度下降被归因于 FoF 碎裂、高质量端被归因于相邻结构并合，而低质量端的完备度下降被归因于接近分辨率极限。此外，本文为预印本，正文中的图表数值以表格与图注形式给出，若需精确的逐质量分箱数值仍应查阅原始图表。