[論文レビュー] Sesame: A power spectrum emulator pipeline for beyond-$Λ$CDM models

Renate Mauland, Hans A. Winther+1 more|arXiv (Cornell University)|Sep 23, 2023

Computational Physics and Python ApplicationsComputer Science参考文献 3被引用数 3

ひとこと要約

本論文では、COLA（コールド・ラグランジュ・加速）法を用いた高速な近似N体シミュレーションとニューラルネットワークを組み合わせることで、ΛCDMモデルを超える宇宙論的モデルにおける非線形物質パワー スペクトルの補正を、計算的に効率的にエミュレートするための計算パイプライン「Sesame」を紹介する。$ B(k,z) = P_{\text{beyond-}\Lambda\rm CDM}(k,z)/P_{\Lambda\rm CDM}(k,z) $ の比を計算することで、$ k \sim 3-5\,h\,\mathrm{Mpc}^{-1} $ まで約1–2%の精度を達成し、従来のエミュレーターよりもはるかに少ない約3,000 CPU時間で実現可能であり、リソース消費を大幅に削減した。

ABSTRACT

The mysterious nature of the dark sector of the $Λ$CDM model is one of the main motivators behind the study of alternative cosmological models. A central quantity of interest for these models is the matter power spectrum, which quantifies structure formation on various scales and can be cross-validated through theory, simulations, and observations. We present a tool that can be used to create emulators for the non-linear matter power spectrum, and similar global clustering statistics, for models beyond $Λ$CDM with very little computation effort and without the need for supercomputers. We use fast approximate N-body simulations to emulate the boost, $B(k,z)=P_{ ext{beyond}-Λ m CDM}(k,z) / P_{Λ m CDM}(k, z)$, and then rely on existing high-quality emulators made for $Λ$CDM to isolate $P_{ ext{beyond}-Λ m CDM}(k,z)$. Since both the $Λ$CDM and beyond-$Λ$CDM models are simulated in our approach, some of the lack of power on small scales is factored out, allowing us to extend the emulator to $k \sim 3-5\,h\,\mathrm{Mpc}^{-1}$ and still maintain good accuracy. In addition, errors from the simulation and emulation process can be estimated and factored into the covariance when using the emulator on data. As an example of using the pipeline, we create an emulator for the well-studied $f(R)$ model with massive neutrinos, using approximately 3000 CPU hours of computation time. Provided with the paper is a fully functioning pipeline that generates parameter samples, runs a Boltzmann solver to produce initial conditions, runs the simulations, and then gathers all the data and runs it through a machine learning module to develop the emulator. This tool, named Sesame, can be used by anyone to generate a power spectrum emulator for the cosmological model of their choice.

研究の動機と目的

• ΛCDMモデルを超える宇宙論的モデルにおける物質パワー スペクトルのエミュレーター作成のためのスケーラブルでリソース消費が少ないパイプラインの開発。
• 完全なN体シミュレーションの高コストとスーパーコンピュータ依存のエミュレータートレーニングの課題を克服すること。
• 近似シミュレーションを用いて、非線形スケール（$ k \sim 3-5\,h\,\mathrm{Mpc}^{-1} $）まで正確にパワー スペクトル補正 $ B(k,z) = P_{\text{beyond-}\Lambda\rm CDM}/P_{\Lambda\rm CDM} $ をエミュレートすること。
• シミュレーションの解像度とエミュレーションの不確実性の両方の誤差を、データ解析における最終的な共分散に統合すること。
• 研究者が任意のΛCDMモデルを超えるモデルに対してカスタムエミュレーターを生成できる、完全に再現可能でオープンソースのパイプライン（Sesame）を提供すること。

提案手法

• ΛCDMおよびΛCDMモデルを超えるモデルの両方に対して、高速で近似的なN体シミュレーションを実行するために、共動ラグランジュ加速（COLA）法を用いる。
• ΛCDMからのずれを分離するために、パワー スペクトル補正 $ B(k,z) = P_{\text{beyond-}\Lambda\rm CDM}(k,z)/P_{\Lambda\rm CDM}(k,z) $ を計算する。
• 既存の高精度なΛCDMエミュレーターを活用して、補正とΛCDMパワー スペクトルから、$ P_{\text{beyond-}\Lambda\rm CDM}(k,z) $ の全貌を再構築する。
• PyTorch Lightningフレームワークを用いて、シミュレーションで得た補正データをもとにニューラルネットワークをトレーニングし、微分可能で補間可能なエミュレーターを構築する。
• シミュレーション設定の収束テストを実施し、宇宙論的パrameter空間を効率的に探索するためにラテンハイパーボックスサンプリングを用いる。
• 高解像度N体シミュレーションとの比較から得られる解像度の影響と、トレーニングデータからのエミュレーション不確実性を組み合わせて、総合的な誤差を推定する。

実験結果

リサーチクエスチョン

• RQ1 COLAのような低コストで近似されたシミュレーション手法を用いて、ΛCDMモデルを超える宇宙論的モデルにおける非線形物質パワー スペクトル補正を正確にエミュレートできるか？
• RQ2 補正比における解像度関連アーティファクトの相殺効果が、どの程度エミュレーターのダイナミックレンジを $ k \sim 3-5\,h\,\mathrm{Mpc}^{-1} $ まで拡張可能か？
• RQ3 COLAでシミュレートされた補正データにトレーニングされたニューラルネットワークエミュレーターは、質量ニュートリノを有する $ f(R) $ 型重力モデルに対して、真のパワー スペクトルをどの程度正確に再現できるか？
• RQ4 エミュレーターの誤差予算を信頼性を持って推定し、宇宙論的データ解析に反映させることは可能か？
• RQ5 スーパーコンピュータの要件を最小限に抑えて、完全に自動化され、再利用可能なパイプラインを、カスタムのΛCDMモデルを超えるモデルのエミュレーションに構築することは可能か？

主な発見

• Sesameパイプラインは、赤方偏移 $ z = 0 $ における質量ニュートリノを有する $ f(R) $ 重力モデルについて、非線形補正において約1–2%の精度を達成し、$ k \sim 3-5\,h\,\mathrm{Mpc}^{-1} $ まで拡張可能である。
• $ f(R) $ 重力モデルの完全線形補正エミュレーターは、シミュレーションと比較して1%未満の精度を示し、弱い非線形領域において高い忠実度を確認した。
• 本手法により、完全なエミュレーター作成に要する計算時間は、従来のΛCDMエミュレーターパイプラインの数百万CPU時間から、約3,000 CPU時間まで大幅に削減された。
• 補正比 $ B(k,z) $ を計算することで、近似シミュレーションに起因する解像度関連の誤差が軽減され、より高い $ k $ 値でも信頼性のあるエミュレーションが可能になった。
• パrameterサンプリング、CLASSを用いた初期条件生成、COLAシミュレーション、データ収集、ニューラルネットワークトレーニングに加え、誤差推定を含む完全なオープンソースのワークフローを提供している。
• COLAシミュレーションとエミュレーターの両方からの誤差が定量的に評価されており、データフィッティングの過程で共分散行列に組み込むことができるため、統計的推論が堅牢になる。