[論文レビュー] CMB-GAN: Fast Simulations of Cosmic Microwave background anisotropy maps using Deep Learning

Amit Kumar Mishra, Pranath Reddy+1 more|arXiv (Cornell University)|Aug 11, 2019

Advanced Data Compression Techniques参考文献 16被引用数 14

ひとこと要約

本論文では、宇宙背景放射（CMB）の温度非均一性マップのシミュレーションを高速化するための深層生成モデルであるCMB-GANを提案する。CAMBでシミュレートされた56°および112°のパッチを用いて学習したGANは、従来のCAMB手法と比較して数個のオーダー速く、1秒未塔で高精度なCMBサンプルを生成可能であり、パワー スペクトルや宇宙論的パラメータへの感受性といった重要な統計的性質を保持している。

ABSTRACT

Cosmic Microwave Background (CMB) has been a cornerstone in many cosmology experiments and studies since it was discovered back in 1964. Traditional computational models like CAMB that are used for generating CMB temperature anisotropy maps are extremely resource intensive and act as a bottleneck in cosmology experiments that require a large amount of CMB data for analysis. In this paper, we present a new approach to the generation of CMB temperature maps using a specific class of neural networks called Generative Adversarial Network (GAN). We train our deep generative model to learn the complex distribution of CMB maps and efficiently generate new sets of CMB data in the form of 2D patches of anisotropy maps without losing much accuracy. We limit our experiment to the generation of 56$^{\circ}$ and 112$^{\circ}$ square patches of CMB maps. We have also trained a Multilayer perceptron model for estimation of baryon density from a CMB map, we will be using this model for the performance evaluation of our generative model using diagnostic measures like Histogram of pixel intensities, the standard deviation of pixel intensity distribution, Power Spectrum, Cross power spectrum, Correlation matrix of the power spectrum and Peak count. We show that the GAN model is able to efficiently generate CMB samples of multiple sizes and is sensitive to the cosmological parameters corresponding to the underlying distribution of the data. The primiary advantage of this method is the exponential reduction in the computational time needed to generate the CMB data, the GAN model is able to generate the samples within seconds as opposed to hours required by the CAMB package with an acceptable value to error and loss of information. We hope that future iterations of this methodology will replace traditional statistical methods of CMB data generation and help in large scale cosmological experiments.

研究の動機と目的

• CAMBのような従来のCMBシミュレーションツールが1枚のマップを生成するのに数時間もかかるという計算上のボトル neck を解消すること。
• 現代の宇宙論的機械学習および統計的推論に必要な大量の合成CMBデータを生成するための高速でスケーラブルな代替手法を開発すること。
• 深層生成モデルがCMB温度揺らぎの複雑な統計的分布を正確に学習・再現できることを示すこと。
• パワー スペクトル、ピーク数、宇宙論的パラメータ推定などの複数の診断指標を用いて、モデルの忠実度を検証すること。
• GANで生成されたマップがハッブル定数などの宇宙論的パラメータに感受されることを確認し、物理的整合性を裏付けること。

提案手法

• CAMBとhealpyを用いて生成された全天CMBマップから抽出した128×128および256×256のパッチを対象に、深層畳み込みネットワークGAN（DCGAN）を学習する。
• ハッブル定数、バリオン密度、ダークマター密度、赤方偏移を含む宇宙論的パrameterを用いて、初期の角パワー スペクトルをCAMBで計算する。
• healpyを用いてパワー スペクトルからランダムなガウス分布のCMB温度マップを生成し、そのうち56°および112°のパッチを抽出して学習に使用する。
• 生成されたサンプルの妥当性を検証するため、CMBマップからバリオン密度を予測するためのマルチレイヤーパーセプトロン（MLP）を実装する。
• ピxls強度、パワー スペクトル、相関構造の統計的性質が本物のCMB統計と一致するように、識別器を用いた敵対的訓練を実施する。
• データ増強と正規化を適用して、宇宙論的パrameterの変動にわたる一般化性能を向上させるとともに、学習の安定化を図る。

実験結果

リサーチクエスチョン

• RQ1 GANベースのモデルは、CAMBが生成するものと統計的に区別できないCMB非均一性マップを生成できるか？
• RQ2 GANによるCMBマップ生成の計算速度は、従来のCAMBシミュレーションと比べてどの程度速いか？
• RQ3 ハッブル定数などの宇宙論的パラメータの変化に対して、GANモデルはどの程度感受性を示すか？
• RQ4 パワー スペクトル、ピーク数、ピxls強度分布といった診断指標が、本物のCMBパッチと生成されたCMBパッチで一貫しているか？
• RQ5 再学習なしに、異なる宇宙論的パラメータセットに一般化できるか？

主な発見

• CMB-GANは1サンプルあたり1秒未塔で56°および112°のCMBパッチを生成可能であり、CAMBが要する数時間に比べて指数的スピードアップが達成された。
• GANで生成されたマップのパワー スペクトルは、CAMBでシミュレートされたマップと非常に近く、異なるハッブル定数においてもピxls強度分布の標準偏差の相対差が10%未満であった。
• H=65で学習したGANサンプルのピxls強度の平均標準偏差は15.63であり、H=75では14.27に低下し、宇宙論的パラメータへの感受性が一貫していることが示された。
• CMB温度値の不確実性（mK単位）はハッブル定数が増加するにつれて低下し、H=65では0.0545からH=75では0.0497に低下し、物理的整合性を示している。
• パワー スペクトルの相関行列およびピーク数などの診断指標において、異なるハッブル定数で学習したモデル間で明確な差が認められ、モデルが基礎となる宇宙論に感受されていることが確認された。
• モデルはパッチサイズに依存せず、56°および112°のパッチで一貫した統計的性質を生成しており、一般化性能の高さが裏付けられた。