[論文レビュー] A Hierarchy of Normalizing Flows for Modelling the Galaxy-Halo Relationship

Christopher C. Lovell, Sultan Hassan+9 more|arXiv (Cornell University)|Jul 13, 2023

Metaheuristic Optimization Algorithms Research被引用数 5

ひとこと要約

この論文は、CAMELS流体力学的シミュレーションを用いて、宇宙論的および天体物理学的パラメータを条件として、銀河およびハローの性質の連合分布を学習する階層的正規化フロー（normalizing flow）モデルを導入する。正確な密度推定と効率的なサンプリングを可能にすることで、自己整合的な銀河-ハロー関係を生成し、余計な変数の周辺化を伴ってパラメータ依存性を定量化する。

ABSTRACT

Using a large sample of galaxies taken from the Cosmology and Astrophysics with MachinE Learning Simulations (CAMELS) project, a suite of hydrodynamic simulations varying both cosmological and astrophysical parameters, we train a normalizing flow (NF) to map the probability of various galaxy and halo properties conditioned on astrophysical and cosmological parameters. By leveraging the learnt conditional relationships we can explore a wide range of interesting questions, whilst enabling simple marginalisation over nuisance parameters. We demonstrate how the model can be used as a generative model for arbitrary values of our conditional parameters; we generate halo masses and matched galaxy properties, and produce realisations of the halo mass function as well as a number of galaxy scaling relations and distribution functions. The model represents a unique and flexible approach to modelling the galaxy-halo relationship.

研究の動機と目的

• 潜在変数に起因する固有の散乱を捉える非決定的かつ生成的銀河-ハロー接続モデルの構築。
• 宇宙論的および天体物理学的パラメータを条件とした、銀河およびハローの性質の連合的で多次元の分布のモデル化。
• N体シミュレーションにおける銀河形成シミュレーションにおける余計なパラメータの効率的サンプリングと周辺化の支援。
• モデルが多様なパラメータセットにおいて、主要なスケーリング関係および分布関数を再現できるかの検証。
• N体シミュレーションにおけるシミュレーションベース推論と銀河性質の高速生成のための柔軟なフレームワークの提供。

提案手法

• モデルは、xが銀河およびハローの性質を表し、zが宇宙論的および天体物理学的パラメータを表す条件付き確率分布p(x|z)を学習するために階層的正規化フロー（NFs）を用いる。
• 各フロー層は、ニューラルスプラインフローに基づく結合層を用いた可逆的ニューラルネットワークから構成され、ベースのガウス分布からの正確な尤度推定と双射変換を可能にする。
• モデルは、6次元の条件付きパラメータ（Ωm, σ8, ASN1, ASN2, AAGN1, AAGN2）とターゲット変数（Mh, M⋆, Mgas, M•, SFR）を用いてCAMELS Simbaシミュレーション・スイートで訓練される。
• 階層には3つのフローが含まれる：サブハロー数のための豊度フロー、ハロ質量分布のためのハロー・フロー、および銀河性質の連合分布のための銀河フロー。
• 過学習を防ぐために、訓練中に早期停止と検証に基づくチェックポイント技術が用いられる。
• 条件付き生成は、指定されたzパラメータを用いてベース分布からサンプリングし、学習済みの逆変換を適用することで実現される。

Figure 1: High level diagram of the model. The distribution of the conditional cosmological and astrophysical parameters is shown at the top. The abundance , halo and galaxy flows are shown below. The arrows highlight the direction of conditional dependence, as well as the mapping from each simple b

実験結果

リサーチクエスチョン

• RQ1 階層的正規化フロー・モデルは、多様な宇宙論的および天体物理学的パラメータにおいて、ハロー質量関数および銀河スケーリング関係をどれほど正確に再現できるか？
• RQ2 固定されたハロ質量に対する銀河性質の固有の散乱は、確率的フィードバック過程を考慮して、どの程度モデルが捉えられるか？
• RQ3 宇宙論的パラメータ（例：Ωm）および天体物理学的フィードバック強度（例：ASN1）の変化が、予測される銀河-ハロー関係にどのように影響するか？
• RQ4 モデルは、観測された関係と一致する自己整合的で多次元的な銀河性質の分布を生成できるか？
• RQ5 推論や生成的サンプリングの過程で、モデルは余計なパラメータをどの程度効果的に周辺化できるか？

主な発見

• モデルは、50回の実現の散乱内にハロー質量関数を正確に再現し、異なるパラメータセットにおいて正しく正規化され、形状も正確に再現した。
• 豊度フローとハロー・フローから生成されたハロを用いた銀河定着質量関数（GSMF）は、真のシミュレーション分布と一致し、正確に回復された。
• 宇宙論的理論に従い、Ωmとハロー質量関数および銀河質量関数の正規化との強い正の相関をモデルは捉えている。
• 星形成シーケンス、星形成物質量関係、ブラックホール質量関係、および星形成物質量対ハロ質量関係は、すべてのパラメータ変動において一貫して再現された。
• モデルはパラメータの変化に対して頑健であり、予測される関係におけるASN1、ASN2、およびΩmの明確で物理的に妥当な依存性を示した。
• 階層的構造により、銀河およびハローの性質の整合的な連合サンプリングが可能となり、個別の関係を別々にモデル化することなく、多次元相関を保持した。

Figure 2: An example of the model predictions when used as a generative model for haloes and galaxies, for fixed and varying parameters. The top row shows the halo mass function (HMF), the second row the galaxy stellar mass function, the third row the star forming sequence, the fourth row the stella