[論文レビュー] Cosmological model discrimination with Deep Learning

Jorit Schmelzle, Aurélien Lucchi+5 more|arXiv (Cornell University)|Jul 17, 2017

Galaxies: Formation, Evolution, Phenomena参考文献 2被引用数 24

ひとこと要約

本論文は、弱レンズ効果の収束マップを用いて、非ガウス的特徴を活用してσ₈–Ωₘのデゲネラシーを解消するための深層畳み込みニューラルネットワーク（DCNN）を提案する。DCNNは、歪度や尖度といった従来の統計量よりも優れており、高い観測ノイズ下でも85％を超える識別効率を維持し、実世界の宇宙論的調査においても頑健であることが示された。

ABSTRACT

We demonstrate the potential of Deep Learning methods for measurements of cosmological parameters from density fields, focusing on the extraction of non-Gaussian information. We consider weak lensing mass maps as our dataset. We aim for our method to be able to distinguish between five models, which were chosen to lie along the $σ_8$ - $Ω_m$ degeneracy, and have nearly the same two-point statistics. We design and implement a Deep Convolutional Neural Network (DCNN) which learns the relation between five cosmological models and the mass maps they generate. We develop a new training strategy which ensures the good performance of the network for high levels of noise. We compare the performance of this approach to commonly used non-Gaussian statistics, namely the skewness and kurtosis of the convergence maps. We find that our implementation of DCNN outperforms the skewness and kurtosis statistics, especially for high noise levels. The network maintains the mean discrimination efficiency greater than $85\%$ even for noise levels corresponding to ground based lensing observations, while the other statistics perform worse in this setting, achieving efficiency less than $70\%$. This demonstrates the ability of CNN-based methods to efficiently break the $σ_8$ - $Ω_m$ degeneracy with weak lensing mass maps alone. We discuss the potential of this method to be applied to the analysis of real weak lensing data and other datasets.

研究の動機と目的

• 弱レンズ質量マップから非ガウス的情報を抽出する深層学習手法を開発し、σ₈–Ωₘのデゲネラシーを解消すること。
• 高い観測ノイズレベル下でも一般化性能を発揮できるDCNNのトレーニング戦略を設計すること。
• DCNNのモデル識別性能を、歪度や尖度といった標準的な高次統計量と比較すること。
• DCNNを実際の弱レンズデータに適用し、宇宙論的パラメータ推定に応用可能かどうかを評価すること。

提案手法

• 2点相関関数が類似しているが、非ガウス的特徴が異なる5つの宇宙論的モデルを分類するための深層畳み込みニューラルネットワーク（DCNN）を訓練する。
• ノイズのないシミュレーションから始まり、トレーニング中に段階的にノイズレベルを高める、新しいプログレッシブノイズトレーニング戦略を採用する。
• 複数の畳み込み層を通じて階層的な特徴表現を学習し、顕著な非ガウス的構造を自動で同定する。
• さまざまなノイズレベルでの分類精度（識別効率）を用いて性能を評価する。
• 訓練済み層からのフィルターや特徴マップを可視化し、ネットワークが学習した内部表現を解釈する。
• 同じデータセット上で、歪度と尖度という標準的な高次統計量と比較して、本手法のベンチマークを実施する。

実験結果

リサーチクエスチョン

• RQ1 2点統計量がほぼ同一であるが、非ガウス的特徴が異なる宇宙論的モデルを、DCNNが効果的に区別できるか？
• RQ2 現実的なノイズ条件下で、DCNNの性能は歪度や尖度といった従来の高次統計量と比べてどうなるか？
• RQ3 地上観測に代表されるノイズの高い弱レンズ収束マップでトレーニングされたDCNNは、高い識別精度を維持できるか？
• RQ4 どのようなトレーニング戦略が、宇宙論的データにおける高いノイズレベル下でもDCNNの一般化性能を効果的に向上させるか？
• RQ5 DCNNは非ガウス的情報をどれほど効果的に抽出・利用できるか、σ₈–Ωₘのデゲネラシーを解消する上でその貢献度はどの程度か？

主な発見

• DCNNは、地上観測に相当する高いノイズレベル下でも、平均して85％を超える識別効率を維持している。
• これに対して、歪度や尖度統計量は、同じ高ノイズ条件下で70％未満の識別効率にとどまっている。
• DCNNは、特にノイズの高い領域で歪度や尖度を上回り、観測ノイズによる劣化に対して優れた頑健性を示している。
• 学習されたフィルターや特徴マップの可視化により、ピークやコントラスト強化された特徴といった複雑で非自明な構造をネットワークが捉えていることが確認された。
• プログレッシブノイズトレーニング戦略は一般化性能を顕著に向上させ、ネットワークが現実のノイズレベルを処理しても性能劣化を示さないようになっている。
• 結果から、DCNNは非ガウス的情報を効果的に抽出でき、2点統計量だけでは poorly constrained なB₈方向を制約可能であると示唆された。