[論文レビュー] Iterative map-making for scanning experiments

S. Prunet, B. P. Crill+2 more|arXiv (Cornell University)|Jun 4, 2000

Computational Physics and Python Applications被引用数 5

ひとこと要約

本稿では、CMB測定実験の時系列データから、最大尤度の天球マップとデバイスノイズのパワー スペクトルを同時に推定する反復的マッピングアルゴリズムを提示する。高速フーリエ変換と対角行列の前処理を活用することで、計算量は $O(n_d \log L_N)$ に抑えられ、色のついたノイズを持つシミュレーテッドデータにおいても高速に収束し、コアジュンション手法と比較してストリーピングアーティファクトを顕著に低減する。

ABSTRACT

We describe here an iterative method for jointly estimating the noise power spectrum from a scanning experiment's time-ordered data, together with the maximum-likelihood map. We test the robustness of this method on simulated datasets with colored noise, like those of bolometer receivers in CMB experiments.

研究の動機と目的

• 10^6 ピクセル以上を含む大規模CMB実験に適した計算効率の高いマッピングアルゴリズムの開発。
• ノイズ特性に関する事前知識なしに、時系列データから天球マップとノイズパワー スペクトルを同時に推定すること。
• ボロメータデータにおける相関ノイズ（例：$1/f$）によって生じるストリーピングアーティファクトを低減することでマップ品質を向上させること。
• 反復的ソルバーをフーリエ空間で用いることで、長時間の時系列データストリームを高速かつメモリ効率よく処理できること。
• 高通フィルタを施した時系列データを含む現実的なノイズ条件下での収束性と頑健性を評価すること。

提案手法

• 時系列データを $\mathbf{d}_t = \mathbf{P}_{tp} \Delta_p + \mathbf{n}_t$ とモデル化し、$\mathbf{P}$ をポイントイング行列、$\mathbf{n}_t$ をデコンボリューション処理済みノイズとする。
• 大規模行列の直接逆行列計算を避けるために、反復的に解く最小分散マップ推定器 $\tilde{\Delta} = (\mathbf{P}^\dagger \mathbf{N}^{-1} \mathbf{P})^{-1} \mathbf{P}^\dagger \mathbf{N}^{-1} \mathbf{d}$ を用いる。
• ノイズ相関をフーリエ空間における畳み込み演算子として近似することで、FFTに基づく処理が可能となり、計算量が $O(n_d \log L_N)$ に低減する。
• ジャコビに類似した前処理を用い、反復的にマップとノイズパワー スペクトル推定値を更新する。前処理行列は対角行列 $\mathbf{W}^*$ である。
• 各定常ノイズセグメントについて、残差 $\mathbf{n}^{(j)} = \mathbf{d} - \mathbf{P} \tilde{\Delta}^{(j)}$ から $\mathbf{N}^{(j)-1} = \langle \mathbf{n}^{(j)} \mathbf{n}^{(j)\dagger} \rangle^{-1}$ を用いてノイズパワー スペクトルを推定する。
• ノイズは時間セグメント内で定常であると仮定し、スキャン同期系統的誤差をフーリエ領域でのフィルタリングにより処理する。

実験結果

リサーチクエスチョン

• RQ1 共同で反復的マッピングとノイズパワー スペクトル推定を行う手法は、大規模CMBデータセットにおいて高速に収束するか？
• RQ2 このアルゴリズムは、時系列データ内の相関ノイズによって生じるストリーピングアーティファクトをどれほど効果的に低減するか？
• RQ3 特に信号対ノイズ比が低い大規模モードに対して、アルゴリズムの収束特性はいかがなものか？
• RQ4 ノイズパワー スペクトルをデータのみから正確に推定しつつ、計算効率を維持できるか？
• RQ5 実際のスキャン戦略および高通フィルタを施した時系列データ下でも、アルゴリズムの性能は良好か？

主な発見

• 反復的マッピング手法は、コアジュンションマップと比較してストリーピングアーティファクトを顕著に低減するが、主な残差誤差は高通過フィルタリングによって失われた大規模モードに起因する。
• 図2に示すように、推定されたノイズパワー スペクトルは、真の入力スペクトルとよく一致しており、ノイズの正確な特徴化が可能であることが示された。
• ほとんどのモードでは収束が速いが、ノイズ行列の条件数が高いため、大規模モードは収束が遅い。
• アルゴリズムは $O(n_d \log L_N)$ の計算量と $O(L_N)$ のメモリ使用量を達成しており、大規模データセットに適している。
• 適切にフーリエ空間にモデル化された場合、$1/f$ ノイズやスキャン同期系統的誤差に対しても頑健である。
• 収束が最も遅い大規模モードの収束を加速するためのマルチグリッド手法を提案したが、詳細は今後の論文で述べる予定である。