[論文レビュー] Hybrid SBI or How I Learned to Stop Worrying and Learn the Likelihood

Chirag Modi, Oliver H. E. Philcox|arXiv (Cornell University)|Sep 19, 2023

Galaxies: Formation, Evolution, Phenomena被引用数 7

ひとこと要約

HySBI は大規模な領域で摂動論を、小規模でシミュレーションに基づく推論を組み合わせて、完全体積の高忠実度シミュレーションなしに暗黒物質の密度場から宇宙論を制約する。

ABSTRACT

We propose a new framework for the analysis of current and future cosmological surveys, which combines perturbative methods (PT) on large scales with conditional simulation-based implicit inference (SBI) on small scales. This enables modeling of a wide range of statistics across all scales using only small-volume simulations, drastically reducing computational costs, and avoids the assumption of an explicit small-scale likelihood. As a proof-of-principle for this hybrid simulation-based inference (HySBI) approach, we apply it to dark matter density fields and constrain cosmological parameters using both the power spectrum and wavelet coefficients, finding promising results that significantly outperform classical PT methods. We additionally lay out a roadmap for the next steps necessary to implement HySBI on actual survey data, including consideration of bias, systematics, and customized simulations. Our approach provides a realistic way to scale SBI to future survey volumes, avoiding prohibitive computational costs.

研究の動機と目的

• データを大規模解析成分と小規模シミュレーションベース成分に分割することで計算コストを削減する枠組みを動機付ける。
• 力スペクトルとウェーブレット統計量を用いた暗黒物質密度場への実証的応用を示す。
• 小規模ボリューム訓練におけるスーパースコープ分散と境界効果の影響を評価する。
• HySBI が小規模ボリュームシミュレーションを用いた場合、従来の摂動論解析を上回れるかを評価する。

提案手法

• データベクトル x を大規模領域 x_L と小規模領域 x_S に分解し、p(x|θ)=p(x_L|θ)p(x_S|x_L,θ) とする。
• 摂動論と EFT ベースのガウス尤度の補項 c_s^2 を周辺化した Analytic large-scale model p(x_L|θ) を用いる。
• 小規模ボリュームシミュレーションから p(x_S|x_L,θ) を条件付きニューラル密度推定器（マスクド自己回帰フロー）を用いて学習する。
• 統計量ごとに 400 個のネットワークを訓練し、最も良い ten 個の推定器のアンサンブルを構成して頑健性を確保する。
• シミュレーションあたり八つのサブボリュームで SBI を訓練し、小規模ボリューム訓練を模倣してスーパースコープ分散を評価する。
• 学習済みの小規模スケールの尤度を解析的大規模スケールの尤度と組み合わせ、事後を MCMC（emcee）でサンプルする。

Figure 1: Schematic overview of this work. Large-scale statistics are modeled using classical perturbative techniques, whilst small-scale summaries make use of simulation-based inference, trained on small sub-volume simulations, obviating the need to run costly high-resolution simulations of the ent

実験結果

リサーチクエスチョン

• RQ1 HySBI は大規模 PT と小規模 SBI から Ω_m と σ_8 を回復できるか。PT 単独およびグローバル SBI と比較してどうか。
• RQ2 訓練に用いるサブボリュームの数（およびそれに伴うスーパースコープ分散）がパラメータ推定にどのように影響するか。
• RQ3 小規模ウェーブレット係数はパワースペクトルだけよりも厳密な宇宙論的制約を提供するか。
• RQ4 PT の補項 c_s^2 を含めるか、または周辺化することが推定にどのような影響を及ぼすか。
• RQ5 現実の観測調査（系偏り・システムatics）へ HySBI を拡張するための実践的手順は何か。

主な発見

• HySBI は Ω_m と σ_8 の制約において古典的な摂動論解析を大幅に上回る。
• 小規模ウェーブレット統計を取り入れると、パワースペクトルだけを用いる場合よりも制約性能がさらに向上する。
• 複数のサブボリュームで SBI を訓練するとスーパースコープ分散が減少し、σ_8 の制約が改善される。一方、ウェーブレットのサブボリューム数を増やすと限界収益が低下する。
• グローバル SBI は HySBI よりもやや厳密な制約を生む可能性がある。なぜなら HySBI は大規模領域で c_s^2 という PT の補項を周辺化しているためである。
• スーパースコープ効果は σ_8 に対して Ω_m よりも大きな影響を与えることが多く、ウェーブレットは多スケール情報によりこの影響の一部を緩和できる。

Figure 2: Posterior distribution of $\Omega_{m}$ and $\sigma_{8}$ inferred from a power spectrum analysis using classical perturbative methods on large-scales (PT), full simulation-based inference (NLE), and our new hybrid scheme (HySBI). We also show HySBI results including small-scale wavelet stat