[論文レビュー] Multifield Cosmology with Artificial Intelligence

Francisco Villaescusa-Navarro, Daniel Anglés‐Alcázar+11 more|arXiv (Cornell University)|Sep 20, 2021

Cosmology and Gravitation Theories参考文献 22被引用数 20

ひとこと要約

この論文は、CAMELSプロジェクトの2,000件の流体力学的シミュレーションで訓練された畳み込みニューラルネットワーク（CNN）を用いた深層学習フレームワークを紹介する。このフレームワークは、ダークマター、ガス、星の性質を含む多分野の宇宙論的マップから、不確実な天体物理学的効果を同時に周辺化しながら、宇宙論的パラメータを抽出する。多分野入力を利用した場合、Ωₘとσ₈の推定において数パーセントレベルの精度を達成し、重力のみのN体シミュレーションを上回る性能を示す。

ABSTRACT

Astrophysical processes such as feedback from supernovae and active galactic nuclei modify the properties and spatial distribution of dark matter, gas, and galaxies in a poorly understood way. This uncertainty is one of the main theoretical obstacles to extract information from cosmological surveys. We use 2,000 state-of-the-art hydrodynamic simulations from the CAMELS project spanning a wide variety of cosmological and astrophysical models and generate hundreds of thousands of 2-dimensional maps for 13 different fields: from dark matter to gas and stellar properties. We use these maps to train convolutional neural networks to extract the maximum amount of cosmological information while marginalizing over astrophysical effects at the field level. Although our maps only cover a small area of $(25~h^{-1}{ m Mpc})^2$, and the different fields are contaminated by astrophysical effects in very different ways, our networks can infer the values of $Ω_{ m m}$ and $σ_8$ with a few percent level precision for most of the fields. We find that the marginalization performed by the network retains a wealth of cosmological information compared to a model trained on maps from gravity-only N-body simulations that are not contaminated by astrophysical effects. Finally, we train our networks on multifields -- 2D maps that contain several fields as different colors or channels -- and find that not only they can infer the value of all parameters with higher accuracy than networks trained on individual fields, but they can constrain the value of $Ω_{ m m}$ with higher accuracy than the maps from the N-body simulations.

研究の動機と目的

• 超新星やAGNフィードバックなどの天体物理学的プロセスの不確実性が、宇宙論的調査からの宇宙論的情報抽出を困難にしているという課題を克服すること。
• 複雑な天体物理学的プロセスによる汚染を含む、生の多分野データマップから直接宇宙論的パラメータを学習できる機械学習フレームワークを開発すること。
• 多様な流体力学的シミュレーションで訓練されたニューラルネットワークが、天体物理学的不確実性を効果的に周辺化することで、重力のみのシミュレーションに基づく従来の手法を上回ることを示すこと。
• 複数の分野を1つの多分野入力として統合することで、個々の分野やN体シミュレーションでは達成できないよりも、宇宙論的パラメータ推定の性能が向上することを示すこと。

提案手法

• CAMELSプロジェクトの2,000件の流体力学的シミュレーションを用い、ダークマター、ガス、星の性質を含む13の異なる分野の2次元マップを生成する。これらのシミュレーションは広範な宇宙論的および天体物理学的パrameterをカバーしている。
• バッチ正規化とLeakyReLU活性化関数を備えた畳み込みニューラルネットワーク（CNN）アーキテクチャを用い、その後に全結合層を配置し、Ωₘ、σ₈および4つのフィードバック強度パrameter（A_SN1、A_SN2、A_AGN1、A_AGN2）の周辺事後分布の平均と分散を予測する。
• 平均と分散の両方の予測に対して、二乗誤差の和の対数を最小化するモーメントネットワークに基づくカスタム損失関数を採用し、予測の難易度が異なるパラメータ間で勾配更新がバランスされるようにする。
• AdamW最適化アルゴリズムを用い、サイクル的学習率スケジューラーを適用し、Optunaを用いたハイパーパramータチューニングによりネットワーク性能を最適化する。
• 単一分野マップと、複数の分野をチャネルとして積み重ねた多分野マップの両方で訓練を行い、異なる物理的成分間での連合推定を可能にする。
• ホールドアウトされたテストセットを用いた検証と、重力のみのN体シミュレーションからの結果との比較により、周辺化の有効性を評価する。

実験結果

リサーチクエスチョン

• RQ1 深層ニューラルネットワークは、不確実な天体物理学的プロセスによる汚染を受けた多分野の宇宙論的マップから、宇宙論的パラメータを抽出できるか？
• RQ2 複数の分野を連合して推定することで、単一分野解析に比べて、宇宙論的パラメータの制約がどの程度向上するか？
• RQ3 流体力学的シミュレーションで訓練されたニューラルネットワークは、天体物理学的不確実性を効果的に周辺化しながら、宇宙論的情報を保持できるか？
• RQ4 多分野推定の性能は、天体物理学的フィードバックを無視する従来のN体シミュレーションと比べてどのように異なるか？
• RQ5 多様なシミュレーションで訓練されたニューラルネットワークを用いた多分野マップを用いた場合、Ωₘおよびσ₈の宇宙論的パラメータ推定の精度はどの程度か？

主な発見

• ニューラルネットワークは、天体物理学的フィードバックによって強く汚染された分野を含め、13の分野のほとんどでΩₘおよびσ₈の推定において数パーセントレベルの精度を達成する。
• 25 h⁻¹ Mpc²のフィールドオブビューでさえも、重力のみのN体シミュレーションで訓練されたモデルに比べて、顕著な宇宙論的情報を保持している。
• 複数の物理的分野をチャネルとして統合した多分野ネットワークは、任意の単一分野またはN体マップで訓練されたネットワークよりも、Ωₘの制約をより高い精度で行う。
• ニューラルネットワークが天体物理学的パラメータ（例：超新星やAGNフィードバックの強度）を周辺化できる能力のおかげで、従来の解析では失われる可能性のある宇宙論的情報が保持されている。
• 平均と分散の両方の予測に対して、二乗誤差の和の対数を最小化する損失関数の設計により、予測の難易度が異なるパラメータ間で勾配がバランスされ、安定した学習が可能になる。
• 深層学習が、天体物理学的系の明示的モデリングを必要とせず、複雑で現実的なデータ分野から高精度の宇宙論的制約を直接抽出できることを示している。