[論文レビュー] Simulation-Based Inference of Strong Gravitational Lensing Parameters

Ronan Legin, Yashar Hezaveh+2 more|arXiv (Cornell University)|Dec 10, 2021

Pulsars and Gravitational Waves Research被引用数 4

ひとこと要約

本稿では、密度推定を用いたシミュレーションベースの推論フレームワークを提案し、強力な重力レンズのパラメータに対して正確で高速かつキャリブレーションされた事後分布推定を実現する。近似ベイジアンニューラルネットワーク（BNN）から得られる圧縮統計量を混合密度ネットワーク（MDN）の入力として用いることで、ハイパーパrameterチューニングを必要とせず、真の事後分布に収束する良好にキャリブレーションされた事後分布を達成し、数十万個のレンズに対する効率的な事後分布推定を可能にする。

ABSTRACT

In the coming years, a new generation of sky surveys, in particular, Euclid Space Telescope (2022), and the Rubin Observatory's Legacy Survey of Space and Time (LSST, 2023) will discover more than 200,000 new strong gravitational lenses, which represents an increase of more than two orders of magnitude compared to currently known sample sizes. Accurate and fast analysis of such large volumes of data under a statistical framework is therefore crucial for all sciences enabled by strong lensing. Here, we report on the application of simulation-based inference methods, in particular, density estimation techniques, to the predictions of the set of parameters of strong lensing systems from neural networks. This allows us to explicitly impose desired priors on lensing parameters, while guaranteeing convergence to the optimal posterior in the limit of perfect performance.

研究の動機と目的

• 大規模な天球調査の時代において、強力なレンズパラメータの正確でスケーラブルかつ不確実性を定量化的に評価できる推論の重要なニーズに対処すること。
• 事前分布の明示的制御がなく、定量できない近似を伴う近似ベイジアンニューラルネットワーク（BNN）の限界を克服すること。
• 完全な性能を発揮する条件下で真の事後分布に収束することを保証するとともに、明示的な事前分布の指定を可能にする手法を開発すること。
• 最小限の計算リソースで数万個のレンズに対する効率的な事後分布推定を可能にすること。
• レンズの星間光などの現実の観測効果に対してロバストであるフレームワークを提供すること。これには、シミュレーションにそれらを組み込むことが含まれる。

提案手法

• 強力なレンズパラメータの事後分布の予測値の平均を計算することで、近似ベイジアンニューラルネットワーク（BNN）から圧縮統計量を抽出する。
• BNNはドロップアウトをネットワーク重みに適用することで、不確実性をモデル化する変分推論を用いる。これにより、事後分布が近似される。
• 混合密度ネットワーク（MDN）を訓練し、真のレンズパラメータが与えられたもとでの圧縮統計量の尤度をモデル化することで、事後分布の密度推定を可能にする。
• MDNは、シミュレートされたレンズ画像とその真のパラメータを訓練データとして用い、画像データからレンズパラメータの完全な事後分布へのマッピングを学習する。
• 事後分布のカバレッジは、カバレッジ確率テストを用いて検証され、真のパラメータが一貫して予測された信用区間内にあることを保証する。
• この手法は計算的に効率的であり、1枚のGPUを用いて1万個のレンズの事後分布サンプリングを約20分で実行可能である。

実験結果

リサーチクエスチョン

• RQ1 密度推定を用いたシミュレーションベースの推論は、ハイパーパrameterチューニングを要せず、強力なレンズパラメータの事後分布に良好にキャリブレーションされた結果を提供できるか？
• RQ2 ベイジアンニューラルネットワークから得られる圧縮統計量を用いて、密度推定器を効果的に訓練し、真の事後分布を回復できるか？
• RQ3 BNNによる圧縮にドロップアウト由来のノイズが含まれる場合、この手法の性能は維持されるか？
• RQ4 レンズ銀河の星間光などの現実の観測効果がある条件下で、この手法はどの程度の性能を示すか？
• RQ5 Sersicモデルを超える複雑な源の形状に対しても、このフレームワークを拡張可能か？

主な発見

• ハイパーパrameterチューニングを一切行わずに、良好にキャリブレーションされた事後分布カバレッジが達成された。これは信頼性の高い不確実性の定量的評価を示している。
• MDNを用いた尤度に基づく事後分布サンプリングは、理想的な条件下で真の事後分布に収束することを確認し、正確なカバレッジ確率を示した。
• MDNの性能は、BNNに0%または20%のドロップアウトを適用した場合に比べて同等であり、ドロップアウト由来のノイズに対してもロバストであることが示された。
• フレームワークは、1枚のNVIDIA V100 GPUを用いて約20分で1万個のレンズシミュレーションの事後分布推定を実行可能であり、高い計算効率を示した。
• シミュレーションパイプラインに前景の星間光を組み込むことで、観測アーチファクトに対してロバストであることが保証され、現実の複雑さに対しても拡張可能であることが示された。
• 今後の評価として、多次元Kolmogorov-Smirnov検定を用いた評価により、高次元パrameter空間における統計的に有効な事後分布を生成できる能力がさらに検証される予定である。