[論文レビュー] Procoli: Profiles of cosmological likelihoods

Tanvi Karwal, Yashvi Patel+4 more|arXiv (Cornell University)|Jan 25, 2024

Galaxies: Formation, Evolution, Phenomena被引用数 6

ひとこと要約

Procoli は、宇宙論におけるプロファイル尤度を高速に計算するオープンソースのツールで、尤度を最大化するためのシミュレーテッドアニーリングを用い、MontePython（および CLASS バックエンド）と統合します。初期ダークエネルギー（EDE）と ΛCDM を例として示します。データ駆動のプロファイリングと、事前体積のバイアスなしの実験ごとの χ² 分解を可能にします。

ABSTRACT

Frequentist profile likelihoods have seen a resurgence in cosmology, offering an alternative to Bayesian methods as they can circumvent the impact of prior-volume effects. This paper presents Procoli, a fast and accessible package to obtain profile likelihoods in cosmology, available on GitHub and PyPI. Procoli seamlessly integrates with MontePython, incorporating all its available data likelihoods, as well as any modified versions of CLASS. This paper provides a comprehensive overview of the Procoli code, detailing the simulated-annealing optimizer at its core and the sequential computation of the profile. An an example, we use the early dark energy model which is afflicted by prior-volume effects to illustrate the code's features. We validate its optimizer with mock data, and compare optimization techniques for both the global minimum and the profile. Procoli further enables splitting profiles into their component contributions from individual experiments, offering nuanced insights into the data and model. As a valuable addition to the cosmologist's toolkit, Procoli supplements existing Bayesian codes, contributing to more robust parameter constraints in cosmological studies.

研究の動機と目的

• 宇宙論におけるベイズ事前分布に対する頻度主義的代替としてのプロファイル尤度の妥当性を動機づけ、正当化する。
• 遮蔽パラメータを最大化することによってプロファイル尤度を得る、迅速でアクセスしやすい実装（Procoli）を提供する。
• EDE と ΛCDM の例を通じて Procoli の頑健性と機能を示し、代替最適化アルゴリズムやデータ分割との比較を含めて説明する。

提案手法

• 各プロファイル点で尤度を最大化するためのシミュレーテッドアニーリング（SA）最適化を実装する。
• グローバル最大値からプロファイルに沿って順に離れ、残りのパラメータを再最適化してプロファイルを逐次計算する。
• グローバル最適化と共分散推定のために MontePython を用いて MCMC チェーンを実行し、CovMat または MAP 初期化を任意で提供する。
• CLASS を宇宙論バックエンドとして統合する；Cobaya バージョンは要望に応じて提供。
• 各実験ごとの χ² やデータセット（例：Planck、BAO、Pantheon）によるプロファイルのわかりやすさと分解機能を提供する。
• SA の温度とジャンプ係数のスケジュールに関するガイダンスとデフォルトを提供し、頑健性を高めるための並列チェーンをサポートする。

Figure 1: Bayesian posteriors on the amount $f_{\rm ede}$ of EDE are shown (dotted black) alongside a likelihood profile (solid green) on the same parameter, using the same data sets, namely Planck CMB primaries. EDE posteriors from Bayesian MCMCs are impacted by prior volume growing in the directio

実験結果

リサーチクエスチョン

• RQ1 ベイズの事後分布に対して、prior-volume 効果がある場合のプロファイル尤度はどのように振る舞うか。
• RQ2 高次元の宇宙論パラメータ空間において、SA はグローバル最大値と安定したプロファイル尤度を提供できるか。
• RQ3 データセットの分解はプロファイル尤度にどのような影響を与え、特定のパラメータの制約をどの実験が担うのか。
• RQ4 Procoli は決定論的最適化手法（Minuit など）やビニング MCMC アプローチと比較して、真の最小値と滑らかなプロファイルの回復においてどのような性能を示すか。
• RQ5 実際の宇宙論解析での初期化・調整・プロファイル計算における実践的な推奨は何か。

主な発見

• Simulated annealing (SA) は高次元の宇宙論空間におけるグローバル最適化の頑健性を、決定論的な準ニュートン法よりも向上させる。
• SA ベースのプロファイル尤度は初期推定が最適でなくても真のグローバル最小値を回復する一方で、決定論的最適化子は失敗するか、停留することがある。
• プロファイル尤度は prior-volume 効果や穏やかな二峰性を beyond-ΛCDM モデルで露呈させることができ、ビニングされた MCMC アプローチでは見逃したり誤表現したりする可能性がある。
• 実験ごとの χ² をプロファイル内で分解すると、どのデータセットが特定のパラメータ（例：H0）を制約しているか、各データセットが全体尤度にどのように寄与しているかが理解できる。
• Procoli は並列SAチェーンを用いた逐次的、メトリック認識的なパラメータグリッド探索を可能にし、再現可能なプロファイルと実験ごとのサブグループ分析を提供する。

Figure 2: The $\Delta\chi^{2}$ relative to the minimum $\chi^{2}_{\rm min}=2761.3$ for a global optimizer run using the default settings in Procoli for the jumping factor $\delta$ and temperature $T$ for the SA ladder. We separate the steps by color and vertical lines and denote the values of $\delt