[論文レビュー] Decoding Cosmological Information in Weak-Lensing Mass Maps with Generative Adversarial Networks

Masato Shirasaki, Naoki Yoshida+3 more|arXiv (Cornell University)|Nov 28, 2019

Galaxies: Formation, Evolution, Phenomena参考文献 74被引用数 10

ひとこと要約

本稿では、Subaru Hyper Suprime-Cam (HSC) 巡査からの弱レンズ質量マップのノイズ除去を目的として、現実的なモックカタログを用いてモデルを訓練する、条件付き生成対抗ネットワーク（cGAN）フレームワークを提案する。この手法により、宇宙論的パラメータ $S_8$ の統計的不確実性が2倍に低減され、これは調査領域面積が4倍に増加したのと同等の効果をもたらし、ノイズの多いデータからの宇宙論的制約が向上する。

ABSTRACT

Galaxy imaging surveys enable us to map the cosmic matter density field through weak gravitational lensing analysis. The density reconstruction is compromised by a variety of noise originating from observational conditions, galaxy number density fluctuations, and intrinsic galaxy properties. We propose a deep-learning approach based on generative adversarial networks (GANs) to reduce the noise in the weak lensing map under realistic conditions. We perform image-to-image translation using conditional GANs in order to produce noiseless lensing maps using the first-year data of the Subaru Hyper Suprime-Cam (HSC) survey. We train the conditional GANs by using 30000 sets of mock HSC catalogs that directly incorporate observational effects. We show that an ensemble learning method with GANs can reproduce the one-point probability distribution function (PDF) of the lensing convergence map within a $0.5-1\sigma$ level. We use the reconstructed PDFs to estimate a cosmological parameter $S_{8} = \sigma_{8}\sqrt{\Omega_{ m m0}/0.3}$, where $\Omega_{ m m0}$ and $\sigma_{8}$ represent the mean and the scatter in the cosmic matter density. The reconstructed PDFs place tighter constraint, with the statistical uncertainty in $S_8$ reduced by a factor of $2$ compared to the noisy PDF. This is equivalent to increasing the survey area by $4$ without denoising by GANs. Finally, we apply our denoising method to the first-year HSC data, to place $2\sigma$-level cosmological constraints of $S_{8} < 0.777 \, ({ m stat}) + 0.105 \, ({ m sys})$ and $S_{8} < 0.633 \, ({ m stat}) + 0.114 \, ({ m sys})$ for the noisy and denoised data, respectively.

研究の動機と目的

• 観測効果、銀河密度の揺らぎ、および固有の銀河特性によって引き起こされる弱レンズ質量マップのノイズを低減すること。
• ノイズのないレンズ効果収束マップをノイズの多い観測から再構成する、条件付きGANを用いたディープラーニング手法の開発。
• 収束マップの1次確率分布関数（PDF）の向上を通じて、宇宙論的パラメータ推定を改善すること。
• ノイズ除去が、重要な宇宙論的パラメータ $S_8 = \sigma_8\sqrt{\Omega_{m0}/0.3}$ の精度に与える影響を定量化すること。
• 訓練されたGANモデルを実際のHSC第1年データに適用し、よりきめの細かい宇宙論的制約を導出すること。

提案手法

• 本手法は、ノイズの多い弱レンズマップからノイズ除去された再構成への画像間変換を実行する条件付きGANを用いる。
• 訓練は、ノイズ、源の密度揺らぎ、および固有の銀河特性を含む現実的な観測効果を再現した30,000件のモックHSCカタログを用いて実施される。
• ノイズ除去された収束PDFのロバスト性と正確性を向上させるために、アンサンブル学習アプローチが用いられる。
• モデルは、特に1次PDFを含む真の収束場の統計的性質を保持するように訓練される。
• 再構成されたPDFは、ノイズの多いマップと比較して統計的不確実性が低減された $S_8$ の推定に用いられる。
• 宇宙論的制約の評価を目的として、シミュレーテッドデータおよび実際のHSC第1年データの両方で手法の妥当性が検証される。

実験結果

リサーチクエスチョン

• RQ1 現実的な観測条件下で、条件付きGANは弱レンズマップのノイズを効果的に低減できるか？
• RQ2 GANベースのノイズ除去は、収束マップの1次PDFの精度をどの程度向上できるか？
• RQ3 ノイズ除去は、宇宙論的パラメータ $S_8$ の統計的不確実性にどのように影響するか？
• RQ4 実HSCデータにGANベースのノイズ除去を適用することで、どの程度の等価な調査領域面積の増加が達成されるか？
• RQ5 ノイズ除去されたマップは、ノイズの多いマップから得られるものと比較して、よりきめの細かい宇宙論的制約を提供できるか？

主な発見

• GANのアンサンブルは、真の分布の $0.5-1\sigma$ の範囲内で収束マップの1次PDFを正確に再現した。
• ノイズ除去されたPDFを用いることで、$S_8$ の統計的不確実性はノイズの多いPDFと比較して2倍に低減された。
• この不確実性の低減は、ノイズ除去なしで調査領域面積を4倍に増加させたのと同等の効果を示した。
• 実際のHSC第1年データにこの手法を適用した結果、ノイズ除去データでは $S_8 < 0.633$ (stat) + 0.114 (sys)、ノイズありデータでは $S_8 < 0.777$ (stat) + 0.105 (sys) が得られた。
• ノイズ除去されたマップは、$S_8$ について2$\sigma$ 水準でのよりきめの細かい制約を提供し、宇宙論的感度の向上を示した。
• 結果から、深層生成モデルが弱レンズ調査からの宇宙論的パラメータ推定を顕著に向上させられると確認された。