[論文レビュー] Deep Potential: Recovering the gravitational potential from a snapshot of phase space

Gregory Green, Yuan-Sen Ting|arXiv (Cornell University)|Nov 9, 2020

Stellar, planetary, and galactic studies参考文献 17被引用数 8

ひとこと要約

本論文は、1回のスターフェーズ空間データスナップショットから銀河の重力ポテンシャルを回復するための深層学習手法を提案する。正規化フローを用いてフェーズ空間分布関数をモデル化し、衝突なしボルツマン方程式において定常状態を満たすポテンシャルを学習するためのニューラルネットワークを用いる。模擬データにおいて真のポテンシャルを正確に回復でき、物理的仮定を最小限に抑えつつ、運動学的トレーサーからの全三次元物質分布のマッピングを可能にする。

ABSTRACT

One of the major goals of the field of Milky Way dynamics is to recover the gravitational potential field. Mapping the potential would allow us to determine the spatial distribution of matter - both baryonic and dark - throughout the Galaxy. We present a novel method for determining the gravitational field from a snapshot of the phase-space positions of stars, based only on minimal physical assumptions. We first train a normalizing flow on a sample of observed phase-space positions, obtaining a smooth, differentiable approximation of the phase-space distribution function. Using the collisionless Boltzmann equation, we then find the gravitational potential - represented by a feed-forward neural network - that renders this distribution function stationary. This method is far more flexible than previous parametric methods, which fit narrow classes of analytic models to the data. This is a promising approach to uncovering the density structure of the Milky Way, using rich datasets of stellar kinematics that will soon become available.

研究の動機と目的

• 1回のスターフェーズ空間位置・速度スナップショットから、の Milky Way の三次元重力ポテンシャルを回復すること。
• 分布関数およびポテンシャルに特定の解析的形を仮定する従来のパrametricモデルの制限を克服すること。
• 運動学的データのみと最小限の物理的仮定で、バリオンおよびダークマターを含む全物質分布の正確な推定を可能にすること。
• 将来の高精度データセット（Gaia や地上望遠鏡調査など）にスケーラブルな、柔軟で微分可能フレームワークの開発

提案手法

• 観測されたフェーズ空間データに正規化フローを適用し、6次元フェーズ空間におけるスターデータの分布関数の滑らかで微分可能な近似を学習する。
• 重力ポテンシャルを順伝播型ニューラルネットワークとして表現し、定常系における衝突なしボルツマン方程式を満たすように学習する。
• 物質密度が非負であることを保証することで、物理的整合性を確保する。ポテンシャルはポアソン方程式を満たす。
• 自動微分により学習済み分布関数およびポテンシャルの勾配を計算し、定常性を強制する。
• 分布関数近似の頑健性と不確実性推定を向上させるために、正規化フローのアンサンブルを用いる。
• 訓練プロセスでは、衝突なしボルツマン方程式の残差を最小化するとともに、物質密度の正の制約を尊重する。

実験結果

リサーチクエスチョン

• RQ1 特定のパラメトリック形を仮定せずに、1回のスターフェーズ空間スナップショットから深層学習フレームワークが重力ポテンシャルを正確に回復できるか？
• RQ2 正規化フローは、スターダムの複雑で非ガウス型のフェーズ空間分布関数をどれほど正確に表現できるか？
• RQ3 定常性および物質密度の正の制約の下で学習されたニューラルネットワークポテンシャルモデルは、真のポテンシャルをどの程度再現できるか？
• RQ4 非球対称性や速度非等方性を有する現実的な模擬データにおいて、この手法はどの程度の性能を示すか？

主な発見

• 本手法は、低フェーズ空間密度領域を含め、広い半径範囲においてプラマー球モデルの真の重力ポテンシャルを正確に回復できた。
• 回復されたポテンシャルは理論的プラマー・ポテンシャルと非常によく一致しており、系の内部および中間領域では偏差が1%未満であった。
• 回復されたポテンシャルから導かれた物質密度は、どこでも正であり、非負の質量密度という物理的制約を満たしていた。
• 正規化フローは、高次元フェーズ空間においても、サンプリングされた領域全体にわたって良好な一般化性能を示し、元の分布関数を正確にモデル化できた。
• ノイズやサンプリング制限が加えられた模擬データに対しても、本手法は頑健であることが示され、実宇宙データへの適用可能性が示唆された。
• 今後の研究で検討すべきが、観測選択関数や測定誤差を含む現実のデータに適応可能で、スケーラブルなフレームワークであることが示された。