[論文レビュー] From Dark Matter to Galaxies with Convolutional Neural Networks

Jacky H. T. Yip, Xinyue Zhang+8 more|arXiv (Cornell University)|Oct 17, 2019

Galaxies: Formation, Evolution, Phenomena参考文献 7被引用数 13

ひとこと要約

本論文は、N体シミュレーションからのダークマター分布を、フルハイドロダイナミカルシミュレーションにおける銀河数密度場へマッピングする2段階の畳み込みニューラルネットワーク（CNN）カスケードを提案する。銀河が豊富な領域を特定するバイナリ分類ヘッドと、銀河数を予測する回帰ヘッドを組み合わせることで、特にバイスペクトルのような小スケールの非ガウス的統計において、ハロー占有分布（HOD）手法よりも顕著に高い精度を達成する。

ABSTRACT

Cosmological simulations play an important role in the interpretation of astronomical data, in particular in comparing observed data to our theoretical expectations. However, to compare data with these simulations, the simulations in principle need to include gravity, magneto-hydrodyanmics, radiative transfer, etc. These ideal large-volume simulations (gravo-magneto-hydrodynamical) are incredibly computationally expensive which can cost tens of millions of CPU hours to run. In this paper, we propose a deep learning approach to map from the dark-matter-only simulation (computationally cheaper) to the galaxy distribution (from the much costlier cosmological simulation). The main challenge of this task is the high sparsity in the target galaxy distribution: space is mainly empty. We propose a cascade architecture composed of a classification filter followed by a regression procedure. We show that our result outperforms a state-of-the-art model used in the astronomical community, and provides a good trade-off between computational cost and prediction accuracy.

研究の動機と目的

• 宇宙論的シミュレーションにおけるダークマター場からの銀河分布を予測する計算効率の良い手法を開発すること。
• 標準的なディープラーニングモデルが困難に陥る、銀河分布の極めて疎な性質（0.15%の非空ボクセル）に対処すること。
• ハロー質量と銀河形成に関する簡素化された仮定に依存するHODモデルを改善すること。
• 重力のみのシミュレーションからフル物理シミュレーションへの複雑で非線形なマッピングを学習することで、高速かつ高精度なシミュレーションベースの推論を可能にすること。

提案手法

• 入力は1024³ボクセルにグリッド化された3次元のダークマター質量密度場であり、学習サンプルとして32³ボクセルのサブキューブが使用される。
• モデルは2段階のカスケード構造を採用：まず、重み付き交差エントロピー損失関数を用いて、InceptionベースのCNNが各ボクセルが少なくとも1つの銀河を含む可能性があるかどうかをバイナリ分類する。
• 次に、平均二乗誤差損失関数で訓練される回帰ヘッドが、各ボクセルあたりの銀河数を連続的に予測する。
• 分類ヘッドにより、銀河が希薄に分布する領域に焦点を当て、誤って非銀河領域を銀河領域と誤認するケース（偽陰性）を低減し、全体の予測忠実度を向上させる。
• モデルは、z=0におけるTNG300-1（フルハイドロダイナミカル）およびTNG300-1-Dark（ダークマターのみ）シミュレーションの32³サブキューブペアから学習される。
• ハイパーパramータは検証セット上でチューニングされ、最終的なモデルは115.3 Mpc/h³の連続的なテストボリュームで評価される。

実験結果

リサーチクエスチョン

• RQ1 フルハイドロダイナミカルシミュレーションのコストをかけずに、ダークマター場から銀河分布を正確に予測できるディープラーニングモデルは構築可能か？
• RQ2 CNNベースのアプローチは、標準的なHODモデルと比較して、小スケールのクラスタリングおよび非ガウス的特徴をどれほど正確に捉えられるか？
• RQ3 2段階のカスケードアーキテクチャは、宇宙論的フィールドにおける銀河分布の極めて疎な性質を効果的に処理できるか？
• RQ4 モデルはハロー質量を超えて、局所的なダークマター構造のようなより複雑な環境的依存性を学習できるか？

主な発見

• パワースペクトルにおける平均相対残差は26.9%にまで低下したのに対し、HODモデルでは246.6%であったため、あらゆるスケールで優れた性能を示した。
• 小スケール（k > 0.3 h/Mpc）では、モデルがHODを著しく上回り、バイスペクトルにおける平均相対残差は0.79%であったのに対し、HODでは435%であった。
• 視覚的検証により、モデルは小スケールの銀河クラスタリングおよびフィラメント構造を捉えているのに対し、HODはハロー内での球対称な分布しか予測しない。
• バイスペクトルのような非ガウス的特徴の予測において高い忠実度を達成しており、非線形構造形成のモデリングがより良く行われていることを示している。
• カスケードアーキテクチャにより、銀河ボクセルが0.15%という極めて疎な状態である課題を、まず銀河が存在する可能性の高い領域を特定してからカウントを回帰することで、効果的に克服した。
• モデルはスケールにわたって良好な一般化性能を示し、異なるシミュレーション解像度およびボリューム間での転移学習の可能性を示唆している。