[論文レビュー] FlowSN: Neural Simulation-Based Inference under Realistic Selection Effects applied to Supernova Cosmology

Benjamin M. Boyd, Kaisey S. Mandel+11 more|arXiv (Cornell University)|Mar 11, 2026

Galaxies: Formation, Evolution, Phenomena被引用数 0

ひとこと要約

FlowSN は正規化フローを用いたシミュレーションベースの推論を用いて forward シミュレーションから Selection-aware SN Ia 確率を学習し、階層ベイズ宇宙論をバイアス低減・モデル再利用可能な方法で実現する。

ABSTRACT

We present FlowSN, a statistical framework using simulation-based inference (SBI) with normalising flows to account for selection effects in observational astronomy. Failure to account for selection effects can lead to biased inference on global parameters. An example is Malmquist bias, where detection limits result in a sample skewed towards brighter objects. In Type Ia supernova (SN Ia) cosmology, these selection effects can systematically shift the inferred posterior distributions of cosmological parameters, necessitating the development of robust statistical frameworks to account for the biases. SBI enables us to implicitly learn probability distributions that are analytically intractable to calculate. In this work, we introduce a novel approach that employs a normalising flow to learn the non-analytic selected SN likelihood for a given survey from forward simulations, independent of the assumed cosmological model. The resulting likelihood approximation is incorporated into a hierarchical Bayesian framework and posterior sampling is performed using Hamiltonian Monte Carlo to obtain constraints on cosmological parameters conditioned on the observed data. The modular learnt likelihood approximation can be reused without retraining to evaluate different cosmological models, providing a key advantage over other SBI approaches. We demonstrate the performance of this methodology by training and testing the SBI technique using realistic LSST-like SNANA simulations for the first time. Our FlowSN approach yields accurate posterior estimates on cosmological parameters, including the dark energy equation of state $w_0$, that are an order of magnitude less biased than those obtained with conventional techniques and also exhibit improved frequentist calibration.

研究の動機と目的

• Malmquist バイアスなどの選択効果が Type Ia 超新星からの宇宙論推定に与える影響を動機付ける。
• forward シミュレーションから選択影響を受ける難解な尤度を学習するために正規化フローを用いたシミュレーションベース推論フレームワークを開発する。
• 学習した尤度を階層ベイズモデルに組み込み、データに条件付けたハミルトニアンモンテカルロ法でポスタリオサンプルを実行する。
• FlowSN を現実的なLSST風 SNANA シミュレーションでデモンストレーションし、BBC と比較してバイアスを低減し較正を改善する。
• 学習した尤度のモジュール性を強調し、再訓練せずにさまざまな宇宙論モデルで再利用可能とする。

提案手法

• 超新星生成の現実的 forward モデルを定義する。これには赤方偏移、距離モジュール関数、潜在変数、Tripp-型光曲線関係を含む。
• forward シミュレーションから選択影響を受ける補助密度 g(dhat|m0, zhel, Sigma, Theta_SN) を近似する正規化フローを訓練する。
• 観測データの尤度を、フローで近似した密度と距離-モジュール分布および赤方偏移不確かさを結合する周辺化として定式化する。
• グローバルパラメータと超新星潜在変数 (mu_s) の結合事後をハミルトニアンモンテカルロ法でサンプリングし、データに条件付けた制約を得る。モデル間で学習した尤度を再利用する。
• 現実的なLSST風 SNANA シミュレーションを用いて FlowSN を BBC と比較し、バイアスと較正を評価し、モデルの柔軟性と計算効率について議論する。

実験結果

リサーチクエスチョン

• RQ1 正 cosmology を仮定せず、 forward シミュレーションから選択された超新星尤度を正規化フローを用いたシミュレーションベース推論だけで正確に学習できるか。
• RQ2 LSST風調査条件下で、 FlowSN は伝統的 BBC アプローチと比較して宇宙論パラメータ推定のバイアスを減らし頻度主義的較正を改善するか。
• RQ3 学習した選択影響を受ける尤度は retraining せずに異なる宇宙論モデル間で再利用可能なほどモジュラーか。
• RQ4 Realistic な選択効果、赤方偏移不確かさ、階層的母集団パラメータを含む結合推定フレームワークで FlowSN はどの程度機能するか。

主な発見

• FlowSN は宇宙論パラメータ（ダークエネルギー方程式の状態 w0 を含む）に関する事後推定を正確に返す。
• FlowSN アプローチは、研究対象のシナリオで従来の手法より1桁程度 バイアスが少ない。
• FlowSN は BBC ベースの方法と比較して頻度主義的較正を改善する。
• 学習されたモジュラーな尤度は retraining なしに異なる宇宙論に再利用可能で、効率的なモデル探索を可能にする。
• 簡略化された forward モデルで解析的に扱える尤度と比較して検証がサポートされる。
• 現実的な LSST風 SNANA シミュレーションへの適用は実用的な性能利点を示す。