[論文レビュー] Dark Energy Survey Year 3 results: likelihood-free, simulation-based $w$CDM inference with neural compression of weak-lensing map statistics

N Jeffrey, L Whiteway+89 more|arXiv (Cornell University)|Mar 4, 2024

Gaussian Processes and Bayesian Inference被引用数 4

ひとこと要約

本稿は、弱レントゲン効果マップ（Dark Energy Survey Year 3）を用いた$w$CDM宇宙論における、尤度フリーでシミュレーションベースの推論フレームワークを提示する。マップ統計（スペクトル密度、ピークカウント、および直接的なCNNベースのマップ圧縮）のニューラル圧縮と、前方モデル化されたマocksデータを組み合わせることで、正確なパラメータ制約を達成している。この手法は、パワー スペクトルのみを用いた推論と比較して、ダークエネルギーのパラメータの精度を2倍以上に向上させ、$\Omega_{\rm m} = 0.283^{+0.020}_{-0.027}$および$S_8 = 0.804^{+0.025}_{-0.017}$の68%信用区間で$w < -0.80$を達成した。

ABSTRACT

We present simulation-based cosmological $w$CDM inference using Dark Energy Survey Year 3 weak-lensing maps, via neural data compression of weak-lensing map summary statistics: power spectra, peak counts, and direct map-level compression/inference with convolutional neural networks (CNN). Using simulation-based inference, also known as likelihood-free or implicit inference, we use forward-modelled mock data to estimate posterior probability distributions of unknown parameters. This approach allows all statistical assumptions and uncertainties to be propagated through the forward-modelled mock data; these include sky masks, non-Gaussian shape noise, shape measurement bias, source galaxy clustering, photometric redshift uncertainty, intrinsic galaxy alignments, non-Gaussian density fields, neutrinos, and non-linear summary statistics. We include a series of tests to validate our inference results. This paper also describes the Gower Street simulation suite: 791 full-sky PKDGRAV dark matter simulations, with cosmological model parameters sampled with a mixed active-learning strategy, from which we construct over 3000 mock DES lensing data sets. For $w$CDM inference, for which we allow $-1

研究の動機と目的

• DES Year 3の弱重力レンズ効果データを用いて、$w$CDMモデルにおける宇宙論的パラメータ推定を改善すること。
• 形状ノイズ、光度赤方偏移誤差、非ガウス性といった複雑な統計的不確実性を、マocksデータを通じて完全に伝搬する、シミュレーションベースの推論フレームワークを開発すること。
• 深層学習を活用して、高次元のレンズマップ統計（パワー スペクトル、ピークカウント、および直接的なマップ表現）をニューラル圧縮することで、推論の効率性と正確性を向上させること。
• 791体の全天宇宙論的シミュレーションと10,000件以上の非独立なマocks調査を含む、大規模で公開済みのシミュレーション・スイート（Gower Street）を用いて、推論パイプラインの妥当性を検証すること。
• 畳み込みニューラルネットワーク（CNN）によるマップレベルの推論が、従来の2点相関統計と比較して、ダークエネルギーおよび物質密度を制約する上で優れていることを実証すること。

提案手法

• 本手法は、明示的な尤度関数を必要としないシミュレーションベースの推論（尤度フリー推論）を採用し、前方モデル化されたマocksデータを用いて、尤度関数を直接推定せず、事後分布を推定する。
• 畳み込みニューラルネットワーク（CNN）を用いて、パワー スペクトル、ピークカウント、および生のレンズマップの3種類のレンズ統計要約にニューラル圧縮を適用し、エンドツーエンドのマップレベルの圧縮を実現する。
• 791体の全天pkdgrav3シミュレーションを用い、$\Omega_{\rm m}, w, \sigma_8, h, \Omega_{\rm b}h^2, n_s, m_\nu$を含む宇宙論的パラメータを混合アクティブラーニング戦略でサンプリングし、Gower Streetシミュレーションスイートを構築する。
• マocksデータには、天球マスク、非ガウス形状ノイズ、形状測定バイアス、源クラスタリング、光度赤方偏移の不確実性、固有配列、非線形密度場といった現実的な観測効果を含む。
• シミュレーテッドデータから尤度を学習するためにニューラル密度推定を用い、事後分布の妥当性と不確実性の評価を可能にする。
• 事後分布は、プランクCMBおよび標準DES2点関数の結果と比較した複数の一貫性チェックを通じて妥当性を検証した。

実験結果

リサーチクエスチョン

• RQ1 深層学習を用いたマップレベルの推論は、従来の2点相関統計を上回る宇宙論的制約を$w$CDMモデルで達成できるか？
• RQ2 パワー スペクトル、ピークカウント、および直接的なマップのレンズマップ統計のニューラル圧縮は、推論の精度と計算効率にどのような影響を与えるか？
• RQ3 現実的な前方モデル化を用いたシミュレーションベースの推論は、弱レントゲン効果宇宙論における系統的バイアスをどの程度低減できるか？
• RQ4 非ガウス性および非線形要約統計を含めることで、ダークエネルギーのパラメータ制約にどのような影響が生じるか？
• RQ5 パワー スペクトルとCNNで圧縮されたマップの組み合わせは、パワー スペクトルのみと比較して、$\Omega_{\rm m}$、$S_8$、および$w$の制約にどのような差をもたらすか？

主な発見

• パワー スペクトルとCNNベースのマップレベル推論を組み合わせることで、最も高い制約が得られ、パワー スペクトルのみの推論と比較して、ダークエネルギーのパラメータ（$\Omega_{\rm DE}, w$）の精度が2倍以上に向上した。
• 最も高い精度の制約は、68%信用区間で$\Omega_{\rm m} = 0.283^{\pm 0.020}_{-0.027}$、$S_8 = 0.804^{+0.025}_{-0.017}$、$w < -0.80$であった。
• 本手法は、形状ノイズ、光度赤方偏移誤差、非ガウス性といった複雑な統計的不確実性を、前方モデル化されたマocksを通じて、完全に推論パイプライン全体に伝搬できた。
• 791体の全天宇宙論的シミュレーションと10,000件以上の非独立なマocks調査を含むGower Streetシミュレーションスイートは、推論フレームワークの訓練と検証を強固に可能にした。
• 検証テストの結果、プランクCMBおよび標準DES2点関数尤度からの外部制約と一貫しており、事後分布推定の信頼性が裏付けられた。
• CNNによるマップレベル推論は、パワー スペクトルでは捉えきれないレンズマップの非ガウス的特徴を捉えており、宇宙論的パラメータに対する感度が向上している。