[論文レビュー] An improved cosmological parameter inference scheme motivated by deep learning

Dezső Ribli, Bálint Pataki+1 more|arXiv (Cornell University)|Jun 15, 2018

Galaxies: Formation, Evolution, Phenomena被引用数 7

ひとこと要約

本論文は、弱リムジング収束マップにおけるピークの『勾配の急峻さ』に基づく、ディープラーニングにインspiredされたピーク数え上げ手法を提案し、Ωₘおよびσ₈の宇宙論的パラメータ推定を顕著に改善する。この手法は、より正確な畳み込みニューラルネットワーク（CNN）に関する洞察から導出され、最先端技術に比べて誤差が低く、系統的バイアスがない。高解像度のノイズなしマップにおいても、CNNを上回る性能を示す。

ABSTRACT

Dark matter cannot be observed directly, but its weak gravitational lensing slightly distorts the apparent shapes of background galaxies, making weak lensing one of the most promising probes of cosmology. Several observational studies have measured the effect, and there are currently running, and planned efforts to provide even larger, and higher resolution weak lensing maps. Due to nonlinearities on small scales, the traditional analysis with two-point statistics does not fully capture all the underlying information. Multiple inference methods were proposed to extract more details based on higher order statistics, peak statistics, Minkowski functionals and recently convolutional neural networks (CNN). Here we present an improved convolutional neural network that gives significantly better estimates of $\\Omega_m$ and $\\sigma_8$ cosmological parameters from simulated convergence maps than the state of art methods and also is free of systematic bias. We show that the network exploits information in the gradients around peaks, and with this insight, we construct a new, easy-to-understand, and robust peak counting algorithm based on the 'steepness' of peaks, instead of their heights. The proposed scheme is even more accurate than the neural network on high-resolution noiseless maps. With shape noise and lower resolution its relative advantage deteriorates, but it remains more accurate than peak counting.

研究の動機と目的

• 弱リムジング収束マップから宇宙論的パラメータ Ωₘ および σ₈ をより正確かつ強固に推定するための手法を開発すること。
• 既存のピーク数え上げ法および CNN に基づく推定法における系統的バイアスや高い誤差を克服すること。
• ディープニューラルネットワークから物理的に解釈可能な特徴を抽出し、より単純で信頼性の高い推定手法の設計を支援すること。
• 勾配解析に基づくピークの急峻さが、ピーク高さよりも宇宙論的モデルの分離に優れていることを示すこと。
• 形状ノイズや低角分解能を含む現実的な観測条件下でも、優れた性能を維持する手法を提供すること。

提案手法

• 著者らは、ray-tracing n-body シミュレーションを用いて、異なる Ωₘ および σ₈ 値を持つ 96 個の弱リムジング収束マップを用いて、改良された CNN アーキテクチャをトレーニングした。
• 成功したコンピュータビジョンモデルを参考に、追加の活性化関数、より多くのフィルタ、および正則なブロック構造をCNNに組み込んだ。
• トレーニング済みのCNNの内部分析から、ピーク周辺の勾配情報が特に利用されており、特にロバーツクロスおよびラプラシアン演算子に類似した学習済みカーネルが特徴として現れていることが判明した。
• この洞察に基づき、ピーク高さの代わりに「急峻さ」を用いる新しいピーク数え上げスキームを提案した。急峻さは、ソーベルまたはロバーツクロス勾配フィルタを用いて測定される。
• 新しい手法は、収束マップにおける空間的勾配の大きさからピークの急峻さを計算し、物理的に解釈可能な強固な代替手法を提供する。
• 新しいピーク急峻さ手法の性能は、ノイズなしおよびノイズありマップにおけるRMSEを用いて、ピーク高さ数え上げ、元のCNN、および本手法の変種と比較評価された。

実験結果

リサーチクエスチョン

• RQ1 ディープニューラルネットワークの内部表現から、宇宙論的パラメータ推定を向上させる解釈可能な特徴を抽出できるか？
• RQ2 勾配解析に基づくピークの急峻さは、弱リムジングマップにおいてピーク高さよりも優れた宇宙論的制約を提供するか？
• RQ3 形状ノイズや低解像度を含む現実的な観測条件下で、新しいピーク急峻さ手法は最先端のCNNおよびピーク数え上げ法と比べてどのように性能を発揮するか？
• RQ4 ニューラルネットワークの洞察に基づく単純で解釈可能なピーク数え上げスキームは、特定の状況下で複雑なディープラーニングモデルを上回る性能を発揮できるか？
• RQ5 新しい手法は、既存の手法と比較して、Ωₘ および σ₈ の推定において系統的バイアスをどれほど低減し、精度を向上させるか？

主な発見

• 改良されたCNNは、全パラメータ範囲においてピーク数え上げ法と比較して、Ωₘ および σ₈ の推定誤差を約2倍低く抑え、顕著な系統的バイアスも示さない。
• 高解像度のノイズなしマップにおいて、新しいピーク急峻さ手法は元のCNNおよび改良CNNを上回り、Ωₘ について 4.3×10⁻³、σ₈ について 9.7×10⁻³ のRMSEを達成した。
• 形状ノイズ（ng = 8 arcmin⁻²）および2 arcmin 解像度の条件下でも、ピーク急峻さ手法はピーク高さ数え上げ法よりも低いRMSEを維持し、Ωₘ について 30.3×10⁻³、σ₈ について 56.7×10⁻³ を示した。
• ピーク急峻さの分布は、Ωₘ および σ₈ の変化に伴い明確にシフトするが、ピーク高さとは異なり、これにより感度が向上し、デゲネラシーが低減している。
• ソーベルフィルタ（ロバーツクロスカーネル）を用いた手法が、すべてのピーク数え上げスキームの中で最も低いRMSEを達成し、ノイズや低解像度の条件下でも同様の優位性を示した。
• 本研究では、ニューラルネットワーク特徴の解釈可能性が、複雑なモデルを上回る単純で信頼性の高い推定ツールの設計を支援できることを示した。