[論文レビュー] A new approach for obtaining cosmological constraints from Type Ia Supernovae using Approximate Bayesian Computation

Elise Jennings, R. C. Wolf+1 more|arXiv (Cornell University)|Nov 9, 2016

Statistical Methods and Bayesian Inference被引用数 23

ひとこと要約

この論文では、尤度関数を仮定せずに、タイプIa超新星の光曲線から宇宙論的制約を導出するための新規な近似ベイズ計算（ABC）手法、superABCを紹介する。2つのメトリクス（TrippおよびLight Curve）を用いて、系統的不確実性を含むデータをシミュレートし、観測値と比較することで、頑健なパラメータ制約を達成する。系統的不確実性を含めた場合、$w_0$ の不確実性が17%増加することが示され、標準的なMCMC手法に比べて系統的影響をより正確に捉えている。

ABSTRACT

Cosmological parameter estimation techniques that robustly account for systematic measurement uncertainties will be crucial for the next generation of cosmological surveys. We present a new analysis method, superABC, for obtaining cosmological constraints from Type Ia supernova (SN Ia) light curves using Approximate Bayesian Computation (ABC) without any likelihood assumptions. The ABC method works by using a forward model simulation of the data where systematic uncertainties can be simulated and marginalized over. A key feature of the method presented here is the use of two distinct metrics, the `Tripp' and `Light Curve' metrics, which allow us to compare the simulated data to the observed data set. The Tripp metric takes as input the parameters of models fit to each light curve with the SALT-II method, whereas the Light Curve metric uses the measured fluxes directly without model fitting. We apply the superABC sampler to a simulated data set of $\\sim$1000 SNe corresponding to the first season of the Dark Energy Survey Supernova Program. Varying $\\Omega_m, w_0, \\alpha$ and $\\beta$ and a magnitude offset parameter, with no systematics we obtain $\\Delta(w_0) = w_0^{\ m true} - w_0^{\ m best \\, fit} = -0.036\\pm0.109$ (a $\\sim11$% 1$\\sigma$ uncertainty) using the Tripp metric and $\\Delta(w_0) = -0.055\\pm0.068$ (a $\\sim7$% 1$\\sigma$ uncertainty) using the Light Curve metric. Including 1% calibration uncertainties in four passbands, adding 4 more parameters, we obtain $\\Delta(w_0) = -0.062\\pm0.132$ (a $\\sim14$% 1$\\sigma$ uncertainty) using the Tripp metric. Overall we find a $17$% increase in the uncertainty on $w_0$ with systematics compared to without. We contrast this with a MCMC approach where systematic effects are approximately included. We find that the MCMC method slightly underestimates the impact of calibration uncertainties for this simulated data set.

研究の動機と目的

• タイプIa超新星からの宇宙論的パラメータ推定のための尤度関数を仮定しない手法を開発し、系統的不確実性を頑健に扱うことを目的とする。
• 従来のMCMC手法の限界を是正する。MCMCは尤度関数を仮定しており、系統的効果を低く見積もる可能性がある。
• 系統的不確実性を制御したDES-SNデータセットのシミュレーションを用いて、手法の妥当性を検証し、MCMCとの比較を行う。
• superABCサンプラーが標準化パラメータ $\alpha$ および $\beta$ を正確に制約できることを示す。
• 前向きモデリングABCフレームワークを用いて、校正不確実性が暗黒エネルギーパラメータ制約に与える影響を定量化する。

提案手法

• superABCサンプラーは、近似ベイズ計算（ABC）を用い、パラメータ空間の各点でデータをシミュレートすることで、尤度関数の仮定を回避する。
• 2つの異なる距離メトリクスを採用する：'Tripp'メトリクスはSALT-IIにフィットしたパラメータを用い、'Light Curve'メトリクスは生のフラックス測定値を直接用いる。
• 系統的不確実性（4つのフィルタで1%の光度校正誤差など）を前向きシミュレーションに組み込み、それらを平均化する。
• 粒子は、前回反復の距離の75百分位数に基づくしきい値と重み付き共分散行列を用いて反復的に摂動される。
• mpi4py や multiprocessing を用いた並列処理をサポートし、ハッシュテーブルとROOTファイル統合による最適化I/Oを実装。
• 収束はトレースプロットと不確実性の安定化を用いて監視され、許容誤差しきい値内に収まる粒子が受理され、事後分布サンプルが得られる。

実験結果

リサーチクエスチョン

• RQ1 系統的不確実性が存在する状況で、尤度関数を仮定しないABCベースのサンプリングは、標準的なMCMCに比べてより頑健な宇宙論的制約を提供できるか？
• RQ2 尤度関数を仮定しない状況で、TrippメトリクスとLight Curveメトリクスは、$w_0$ および他の宇宙論的パラメータの制約においてどのように比較されるか？
• RQ3 校正不確実性は $w_0$ の不確実性をどの程度増加させるか？また、superABCはMCMCに比べてこの効果をより正確に捉えられるか？
• RQ4 superABCは、真のSN標準化パラメータ $\alpha$ および $\beta$ を正確に回復できるか？
• RQ5 Planck事前分布の導入は、ABCサンプラーの収束性と効率性にどのように影響するか？

主な発見

• 系統的不確実性なし、CMB事前分布ありの条件下で、Trippメトリクスは $\Delta(w_0) = -0.036 \pm 0.109$ を得る。これは $w_0$ の1$\sigma$ 不確実性が約11%に相当する。
• 同じ条件下でLight Curveメトリクスを用いた場合、$\Delta(w_0) = -0.055 \pm 0.068$ となり、1$\sigma$ 不確実性は約7%に相当する。
• 4フィルタで1%の校正不確実性を含めた場合、系統的不確実性なしの状況に比べて$w_0$ の不確実性が17%増加し、Trippメトリクスでは $\Delta(w_0) = -0.062 \pm 0.132$ が得られた。
• このシミュレートデータセットにおいて、MCMC手法は校正不確実性の影響をわずかに低く見積もっていることが示され、ABCがより保守的で頑健な推定を提供していることがわかる。
• superABCサンプラーは真の標準化パラメータを成功裏に回復した：$\alpha = 0.1285 \pm 0.011$ および $\beta = 3.176 \pm 0.060$ であり、最尤推定結果と整合的であった。
• 初期バーンインを除き、追加で4〜5日程度の実行時間で、1$\sigma$誤差の不確実性が約1%に達し、トレースプロットによる収束確認がなされた。