[論文レビュー] Fast emulation of two-point angular statistics for photometric galaxy surveys

Marco Bonici, Luca Biggio+2 more|arXiv (Cornell University)|Jun 28, 2022

Galaxies: Formation, Evolution, Phenomena被引用数 7

ひとこと要約

この論文は、標準的なボルツマンソルバーと比較して最大1,000倍速く、0.175%未満の精度で、写真測光銀河サーベイの2点自己相関統計（3x2pt）を予測する機械学習ベースのエミュレータを提示している。この手法は、1つのディープニューラルネットワークを用いて、宇宙論的パラメータを直接$C(\ell)$係数にマッピングすることで、ステージIVサーベイにおける高速な尤度評価を可能にする。

ABSTRACT

We develop a set of machine-learning based cosmological emulators, to obtain fast model predictions for the $C(\ell)$ angular power spectrum coefficients characterising tomographic observations of galaxy clustering and weak gravitational lensing from multi-band photometric surveys (and their cross-correlation). A set of neural networks are trained to map cosmological parameters into the coefficients, achieving a speed-up $\mathcal{O}(10^3)$ in computing the required statistics for a given set of cosmological parameters, with respect to standard Boltzmann solvers, with an accuracy better than $0.175\%$ ($<0.1\%$ for the weak lensing case). This corresponds to $\sim 2\%$ or less of the statistical error bars expected from a typical Stage IV photometric surveys. Such overall improvement in speed and accuracy is obtained through ($ extit{i}$) a specific pre-processing optimisation, ahead of the training phase, and ($ extit{ii}$) a more effective neural network architecture, compared to previous implementations.

研究の動機と目的

• MCMCサンプリング中に繰り返し呼び出される遅いボルツマンソルバーに起因する宇宙論的パrameter推定における計算ボトルネックを解消すること。
• Euclid や LSST のような次世代写真測光サーベイにおける効率的な尤度ベース推論を可能にするために、角度スペクトルの予測を高速化すること。
• 中間ステップ（例：Limber近似や$P_{\mathrm{mm}}(k)$の計算）を回避する、$C(\ell)$係数の直接エミュレータを開発すること。
• 最適化された事前処理と、すべてのトモグラフィー組み合わせを一度に学習する統一されたニューラルネットワークアーキテクチャを用いることで、先行エミュレータよりも精度と速度を向上させること。
• 宇宙論的パrameterに関して、出力の自動微分が可能になるようにすることで、勾配ベースの推論手法を促進すること。

提案手法

• すべてのトモグラフィー赤方偏移ビンとプローブ組み合わせ（GC、WL、クロス相関）の$C(\ell)$係数へ、宇宙論的パラメータ（例：$\Omega_m$、$\sigma_8$、$w_0$）を直接マッピングするディープニューラルネットワークを訓練する。
• 一般化を向上させ、特に非線形性が強い領域での誤差を低減するために、トレーニングデータに事前処理最適化を適用する。
• すべての$C_{ij}^{AB}(\ell)$組み合わせを同時に学習できる、1つの共通のニューラルネットワークアーキテクチャを用いることで、それらの間の物理的相関を活用する。
• 重み関数や背景変数といった中間量の計算を回避し、直接的に最終的な$C(\ell)$値をエミュレートすることで、計算オーバーヘッドを低減する。
• 出力の入力パラメータに関する勾配を計算するために自動微分を活用し、効率的な勾配ベースMCMCサンプリングを可能にする。
• 類似したパラメータ空間上で事前学習済みのネットワークを初期化することで、新しい宇宙論的モデルのトレーニングを高速化するためのトランスファーラーニングを採用する。

実験結果

リサーチクエスチョン

• RQ1 1つのディープニューラルネットワークが、すべてのトモグラフィー・ビンとプローブ・コンビネーションにわたる$C(\ell)$係数の完全なセットを、正確かつ効率的にエミュレートできるか？
• RQ2 事前処理とネットワークアーキテクチャの改善が、先行手法と比較してエミュレーション誤差をどの程度低減できるか？
• RQ3 中間量（例：$P_{\mathrm{mm}}(k)$）ではなく、直接$C(\ell)$をエミュレートすることで、どの程度の高速化と精度向上が達成できるか？
• RQ4 Limber近似が存在しない状況下でもエミュレータの性能は保たれるか？また、アーキテクチャの変更なしに非-Limberプロジェクションに対応できるか？
• RQ5 自動微分による出力の微分可能予測が可能になることで、勾配ベース推論がどの程度高速化できるか？

主な発見

• 標準的なボルツマンソルバー（例：CAMB や CLASS）と比較して、約$\mathcal{O}(10^3)$のスピードアップが達成され、1つの宇宙論パラメータセットあたりの予測時間は1ミリ秒未満である。
• すべての$C(\ell)$係数において、全体の精度が0.175%未満であり、弱引力レンズィングの場合は0.1%未満の誤差に抑えられており、ステージIVサーベイで想定される統計誤差の範囲内に収まっている。
• 重み関数の統合や背景変数の計算といった中間ステップを回避することで、計算コストを削減し、直接的にパラメータから$C(\ell)$にマッピングしている。
• すべてのトモグラフィー組み合わせに共通のネットワークアーキテクチャを用いることで、異なる$C_{ij}^{AB}(\ell)$成分間の物理的相関を活用し、性能向上が達成された。
• 再トレーニングなしに解析的に適用可能なノイズパラメータ（例：明るさバイアス）の取り扱いに対しても、エミュレータは頑健である。
• このフレームワークは、CMB測定の統合にも自然に拡張可能であり、最小限のアーキテクチャ変更で将来的な完全なBeyond-Limberエミュレータの開発を支援する。