[論文レビュー] Optimal Neural Summarisation for Full-Field Weak Lensing Cosmological Implicit Inference

Denise Lanzieri, Justine Zeghal+4 more|arXiv (Cornell University)|Jul 15, 2024

Galaxies: Formation, Evolution, Phenomena被引用数 2

ひとこと要約

本稿では、変分相互情報最大化（VMIM）を損失関数として用いることで、全画角弱引力レンズ理論的最適なニューラル要約手法を提案する。シミュレーテッドLSST Year 10 wCDM状況において、VMIMで訓練されたニューラル要約は、基準となる図の優位性（FoM）の100％を達成しており、MSEに基づく手法（81％ FoM）を上回っている。VMIMは、弱引力レンズデータから全宇宙論的情報を抽出する理論的最適かつ実証的に有効な手法であることが示された。

ABSTRACT

Traditionally, weak lensing cosmological surveys have been analyzed using summary statistics motivated by their analytically tractable likelihoods, or by their ability to access higher-order information, at the cost of requiring Simulation-Based Inference (SBI) approaches. While informative, these statistics are neither designed nor guaranteed to be statistically sufficient. With the rise of deep learning, it becomes possible to create summary statistics optimized to extract the full data information. We compare different neural summarization strategies proposed in the weak lensing literature, to assess which loss functions lead to theoretically optimal summary statistics to perform full-field inference. In doing so, we aim to provide guidelines and insights to the community to help guide future neural-based inference analyses. We design an experimental setup to isolate the impact of the loss function used to train neural networks. We have developed the sbi_lens JAX package, which implements an automatically differentiable lognormal wCDM LSST-Y10 weak lensing simulator. The explicit full-field posterior obtained using the Hamiltonian Monte Carlo sampler gives us a ground truth to which to compare different compression strategies. We provide theoretical insight into the loss functions used in the literature and show that some do not necessarily lead to sufficient statistics (e.g. Mean Square Error (MSE)), while those motivated by information theory (e.g. Variational Mutual Information Maximization (VMIM)) can. Our numerical experiments confirm these insights and show, in our simulated wCDM scenario, that the Figure of Merit (FoM) of an analysis using neural summaries optimized under VMIM achieves 100% of the reference Omega_c - sigma_8 full-field FoM, while an analysis using neural summaries trained under MSE achieves only 81% of the same reference FoM.

研究の動機と目的

• 全画角弱引力レンズ推論における統計的十分統計量を生成するためのニューラルネットワーク損失関数を特定すること。
• 宇宙論的情報を捉える能力について、理論的および実証的性能の観点から、さまざまなニューラル要約戦略を比較すること。
• 宇宙論的推論における最適なニューラル圧縮器を設計するための、一貫性のある情報理論的フレームワークを提供すること。
• コミュニティによる再現可能なベンチマークを可能にするために、公開可能なシミュレーションフレームワークであるsbilensを開発・公開すること。

提案手法

• 著者らは、sbi_lens JAXパッケージを用いて制御された実験設定を設計した。このパッケージは、自動微分可能な対数正規分布の弱引力レンズシミュレータと、ハミルトニアンモンテカルロ（HMC）を用いた明示的全画角推論のためのツールを提供する。
• ニューラルネットワークのアーキテクチャとシミュレーションベース推論（SBI）パイプラインを固定し、MSE回帰とVMIMベースの学習の影響を分離して比較した。
• 基準として用いる全画角事後分布は、シミュレーテッドwCDM LSST Year 10弱引力レンズ状況においてHMCサンプリングにより得られたもので、要約統計量の評価基準として用いられた。
• 理論的分析により、VMIMが要約統計量tと宇宙論的パラメータθ間の相互情報量I(t, θ)を最大化することを示し、これは統計的十分性にとって必要かつ十分であることが分かった。
• 実証的評価では、さまざまなニューラル要約から得られるパrameter制約の図の優位性（FoM）を比較し、明示的全画角推論をベンチマークとして用いた。
• このフレームワークにより、制御された条件下でニューラル圧縮戦略をエンドツーエンドで比較可能となり、コミュニティのベンチマーク支援を目的として公開された。

実験結果

リサーチクエスチョン

• RQ1 ニューラル要約の学習時に平均二乗誤差（MSE）を最小化することは、弱引力レンズ宇宙論的推論における統計的十分統計量を生成するか？
• RQ2 変分相互情報最大化（VMIM）は、理論的にも実証的にも、全画角推論における最適かつ十分な統計量を生成できるか？
• RQ3 異なる損失関数は、ニューラル要約を用いた宇宙論的パrameter推定における図の優位性（FoM）にどのように影響を与えるか？
• RQ4 従来の要約統計量と比較して、ニューラル圧縮は弱引力レンズデータの全宇宙論的情報含量をどの程度保持できるか？
• RQ5 システムティクスや非ガウス的特徴を含む現実的なシミュレーションの複雑さに対しても、VMIMは十分に近い十分性を達成できるか？

主な発見

• VMIMベースのニューラル要約は、シミュレーテッドwCDM LSST Year 10弱引力レンズ状況において、基準となる全画角図の優位性（FoM）の100％を達成しており、近似的に最適な情報抽出が可能であることを示している。
• これに対して、MSE回帰で訓練された要約は、基準FoMの81％しか達成できず、MSEが全宇宙論的情報を捉えるために非効率であることが示された。
• 理論的分析により、VMIMが原則的に十分統計量を生成可能であることが確認された。これは、要約とパラメータ間の相互情報量I(t, θ)を最大化するからである。
• 実証的結果から、VMIMは基準となる全画角事後分布と非常に類似した事後分布を生成しており、C2STスコアが0.6であることを示し、非自明なが、完全な乖離ではないことを示している。
• 本研究では、情報理論的損失関数（VMIMなど）が、宇宙論的推論におけるニューラル要約において、標準的な回帰損失（MSEなど）を上回ることを示した。
• sbi_lensシミュレーションフレームワークおよび関連コードは、再現可能なベンチマークと宇宙論におけるニューラル圧縮手法の今後の開発を支援するために、公開された。