充分利用下一代星系集束调查需要克服复杂,非线性建模的挑战,以便在较小的宇宙尺度上访问大量信息。 现场推理提供了一个独特的机会,超越汇总统计,使用星系分布的所有信息。 然而,应对当前的挑战往往需要包含不可区分成分的数值建模,从而阻碍使用有效的基于梯度的推理方法。 在本文中,我们介绍了Learning the Universe by Learning to Optimize(LULO),这是一个用于重建3D宇宙初始条件的无梯度框架。 我们的方法推进了深度学习,以训练一种优化算法,能够将最先进的非差异化模拟器与现场数据相适应。 重要的是,神经优化器仅在迭代方案中充当搜索引擎,始终在循环中保持完整的物理模拟,确保可扩展性和可靠性。 我们通过用球形过密度算法在暗物质N体模拟中识别的M_200c光晕中准确重建初始条件来演示该方法。 衍生的暗物质和光晕过密度场表现出≥80%与地面真理的交叉相关性,进入非线性机制k ∼ 1h Mpc^-1。 额外的宇宙学测试揭示了功率光谱,二分光谱,光晕质量功能和速度的准确恢复。 通过这项工作,我们展示了一条通往非线性场级推理的有希望的前进道路,超越了可区分的物理模型的要求。