[論文レビュー] ${ m S{\scriptsize IM}BIG}$: A Forward Modeling Approach To Analyzing Galaxy Clustering

ChangHoon Hahn, Michael Eickenberg+8 more|arXiv (Cornell University)|Nov 1, 2022

Gaussian Processes and Bayesian Inference被引用数 6

ひとこと要約

SimBIG は、高精度な N ボディシミュレーションとノーマライジングフローを活用して、非線形スケールにおける銀河クラスタリングから宇宙論的制約を抽出するシミュレーションベースの推論フレームワークを導入する。標準的摂動理論手法と比較して、k_max = 0.5 h/Mpc まで分析を拡張することで、σ₈ の制約を 27% よりも厳しくする。

ABSTRACT

We present the first-ever cosmological constraints from a simulation-based inference (SBI) analysis of galaxy clustering from the new ${ m S{\scriptsize IM}BIG}$ forward modeling framework. ${ m S{\scriptsize IM}BIG}$ leverages the predictive power of high-fidelity simulations and provides an inference framework that can extract cosmological information on small non-linear scales, inaccessible with standard analyses. In this work, we apply ${ m S{\scriptsize IM}BIG}$ to the BOSS CMASS galaxy sample and analyze the power spectrum, $P_\ell(k)$, to $k_{ m max}=0.5\,h/{ m Mpc}$. We construct 20,000 simulated galaxy samples using our forward model, which is based on high-resolution ${ m Q{\scriptsize UIJOTE}}$ $N$-body simulations and includes detailed survey realism for a more complete treatment of observational systematics. We then conduct SBI by training normalizing flows using the simulated samples and infer the posterior distribution of $Λ$CDM cosmological parameters: $Ω_m, Ω_b, h, n_s, σ_8$. We derive significant constraints on $Ω_m$ and $σ_8$, which are consistent with previous works. Our constraints on $σ_8$ are $27\%$ more precise than standard analyses. This improvement is equivalent to the statistical gain expected from analyzing a galaxy sample that is $\sim60\%$ larger than CMASS with standard methods. It results from additional cosmological information on non-linear scales beyond the limit of current analytic models, $k > 0.25\,h/{ m Mpc}$. While we focus on $P_\ell$ in this work for validation and comparison to the literature, ${ m S{\scriptsize IM}BIG}$ provides a framework for analyzing galaxy clustering using any summary statistic. We expect further improvements on cosmological constraints from subsequent ${ m S{\scriptsize IM}BIG}$ analyses of summary statistics beyond $P_\ell$.

研究の動機と目的

• 非線形スケール（k > 0.25 h/Mpc）における銀河クラスタリングをモデル化する標準的摂動理論の限界を克服すること。
• 現実的な調査効果と高分解能シミュレーションを統合した前向きモデリングフレームワークを構築し、頑健な推論を可能にすること。
• パワースペクトルを超える要約統計量（高次統計量やフィールドレベルの観測量）を用いて、精密な宇宙論的制約を可能にすること。
• モックチャレンジを通じた検証を行い、宇宙論的パラメータに対してバイアスのない推論を実証すること。
• DES、PFS、Euclid、Roman などの将来の大規模銀河調査の統計的パワーを、非線形領域の情報を活用することで拡張すること。

提案手法

• ハロ占有分布（HOD）モデルと完全な調査の現実性（例：幾何学、マスク、赤方偏移誤差）を備えた Quijote N ボディシミュレーションを用いて、20,000 個のシミュレートされた銀河サンプルを構築する。
• 宇宙論的パラメータ（Ωₘ、Ω_b、h、n_s、σ₈）と HOD パラメータを合成銀河分布へマッピングする前向きモデルを採用する。
• 要約統計量（特に P_ℓ(k)）のシミュレーション結果にノーマライジングフローを訓練し、尤度関数を学習し、効率的な事後分布推論を可能にする。
• 訓練済みのノーマライジングフローを観測された CMASS SGC データ（109,636 個の銀河）に適用し、宇宙論的および HOD パラメータの事後分布を推論する。
• 推論に k_max = 0.5 h/Mpc を使用し、標準的摂動理論解析の一般的な k_max = 0.25 h/Mpc の限界を超えて分析を拡張する。
• 1,500 個のテストシミュレーションを用いたモックチャレンジにより、妥当性を検証し、モデルの不確実性下でもバイアスのない宇宙論的制約が得られることを確認する。

実験結果

リサーチクエスチョン

• RQ1 摂動理論が失敗する非線形スケールにおける銀河クラスタリングから、シミュレーションベースの推論フレームワークが宇宙論的情報を抽出できるか？
• RQ2 同じデータに対して、SimBIG の宇宙論的制約の精度は、標準的摂動理論解析と比べてどの程度向上するか？
• RQ3 非線形スケール（k > 0.25 h/Mpc）を含めることで、σ₈ および Ωₘ の制約はどの程度改善されるか？
• RQ4 モデルの不確実性や観測系の系索に対して、モックチャレンジを通じて検証された SimBIG フレームワークはどれほど頑健か？
• RQ5 高次統計量やフィールドレベルの観測量に拡張可能か？深層学習アーキテクチャ（畳み込みニューラルネットワークやグラフニューラルネットワーク）を用いて追加の宇宙論的情報を抽出できるか？

主な発見

• SimBIG は、同じ CMASS SGC サンプルに対して、標準的摂動理論解析と比較して σ₈ の制約を 27% よりも厳しくし、σ₈ = 0.668⁺⁰.⁰³²⁴₋₀.⁰²⁸⁴ を達成する。
• σ₈ の精度向上は、非線形スケール（k > 0.25 h/Mpc）からの情報のおかげで、標準的手法で 60% 大きい銀河サンプルを分析したのと同等の効果をもたらす。
• Ωₘ の制約も顕著に改善され（Ωₘ = 0.316⁺⁰.⁰⁴⁰₋₀.⁰³⁶）、高い有意性と複数の手法間での一貫性を示す。
• k_max = 0.25 h/Mpc の SimBIG 事後分布は、最近のハロモデルエミュレータ解析とよく一致しており、フレームワークの頑健性と精度の妥当性を確認する。
• 多様な前向きモデルを用いた 1,500 個のテストシミュレーションを用いたモックチャレンジにおいて、バイアスのない推論が確認され、モデル不確実性下でも信頼性が高いことが示された。
• SimBIG は、将来的に高次統計量（例：バイスペクトル、マークドパワースペクトル）およびフィールドレベルの観測量を、畳み込みニューラルネットワークやグラフニューラルネットワークなどの深層学習アーキテクチャを用いて分析可能にする。