[論文レビュー] Emulation of SPHEREx Galaxy Power Spectra I: Neural Network Details and Optimization

Joseph Adamo, Grace Gibbins+2 more|arXiv (Cornell University)|Mar 16, 2026

Galaxies: Formation, Evolution, Phenomena被引用数 0

ひとこと要約

この論文は、複数のトレーサと赤shiftビンに対してSPHERExライクな赤shift空間の銀河力スペクトルモultipolesを高速に予測する神経ネットワークエミュレータMENTAT-LSSを開発し、正確なEFT計算と比較して約900倍の速度アップを達成しつつ尤度解析の精度を維持します。

ABSTRACT

We present neural networks to generate redshift-space galaxy power spectrum multipoles for multiple tracer and redshift bins simultaneously given a set of input cosmology and galaxy bias parameters. This emulator utilizes a combination of fully-connected layers and transformer architecture to accurately predict galaxy power spectrum multipoles $900$ times faster than the SPHEREx pipeline. We quantify network performance using both $Δχ^2$, and likelihood contours for simulated SPHEREx analyses, using two correlated tracer bins and two independent redshift bins. After optimizing network architecture, the loss function, and training set sampling strategy, we achieve $\operatorname{Med}\left( Δχ^2 ight) = 0.069$ when comparing to our testing set. At the contour-level our emulator agrees with EFT predictions over a realistic parameter range, with an average 1D best-fit shift of $0.078σ$ and $0.82 \%$ change in 1D error bars. These results demonstrate the feasibility of using neural-network emulators to accelerate SPHEREx redshift-space power-spectrum analyses.

研究の動機と目的

• SPHEREx風銀河力スペクトル解析の高速探索を動機づけ、原始的ノンガウス性f_NLを制約。
• 複数トレーサと赤shiftビンに対してモ multipoles を同時に出力するニューラルネットワークエミュレータを開発。
• エミュレータの精度をEulerian EFT予測および模擬된尤度解析で定量化。
• 学習データ戦略とネットワークハイパーパラメータを検討し、性能と安定性を最適化。

提案手法

• 完全結合層（MLP）ブロックとトランスフォーマーエンコーダの組み合わせを用いてモノポールと四極モultipolesを予測。
• 特定のトレーサと赤shiftビンに対して自動・交差スペクトルごとに独立したネットワークを割り当て、出力を連結して全体のマルチトレーサベクトルを形成。
• エミュレータ出力とEFT予測のDelta-chi^2を最小化するようにネットワを訓練し、Adam最適化・学習率スケジューリング・早期停止を使用。
• 学習を安定化させるために共分散対角化基底への変換でデータをホワイトニングしつつ、再スケーリング前に全モultipolesを出力。

実験結果

リサーチクエスチョン

• RQ1 神経ネットワークエミュレータは、複数トレーサ・複数ビンにまたがるSPHEREx風EFT赤shift空間銀河力スペクトルモultipolesをサブパーセント精度で再現できるか。
• RQ2 学習データのサンプリング戦略とハイパーパラメータは、マルチトレーサ・マルチビン解析におけるエミュレータの性能と一般化にどう影響するか。
• RQ3 エミュレータは、直接のEFT計算と比較して、模擬的な尤度解析で事後制約とベイズ証拠を保つか。
• RQ4 カウンター項や確率的項の包含が、マルチトレーサ場面でのエミュレータ精度に与える影響は何か。

主な発見

• 全ビンにおけるDelta-chi^2の中央値は0.069で、テストセットでの高精度を示す。
• 個々のサブネットワークは一部ビンでDelta-chi^2が1e-2または1e-3付近を達成し、全体として優れた一致を示す。
• モノトーンの平均1D最適フィットシフトはマルチトレーサ設定で0.078 sigma、単一トレーサテストで約0.057 sigma。
• 68%信頼区間の平均絶対変化は、全ノイズ項を含まない二トレーサケースで0.82%；不確実性回復の頑健性を示唆。
• エミュレータの速度：構成全体のモultipolesを出力するのに約2.2 ms（トレーサ/ビンあたり0.37 ms）、同じハードウェア上で完全なEFT評価の約900倍速い。
• 訓練データのハイパースフィア採択は、ラテン超立方体サンプリングに比べDelta-chi^2性能を約100倍～1000倍向上させ、サンプルサイズとともにべき乗則に従う（Med(Δχ_tot^2) ≈ A N_sample^{-x}）。
• 解析的ランと比較したベイズ証拠の差は、単一トレーサの簡単な設定で小さく（Δ log Z ≈ -0.0601）、マルチトレーサでは約0.78。
• 特定の成分についてsymbolic_pofkを用いたより大きなマルチビン解析では偏差が増大し、複雑な設定でカウンター項の取り扱いをより正確にする必要が示唆される。