[論文レビュー] Targeted Likelihood-Free Inference of Dark Matter Substructure in Strongly-Lensed Galaxies

Adam Coogan, Konstantin Karchev+1 more|arXiv (Cornell University)|Oct 14, 2020

Gaussian Processes and Bayesian Inference参考文献 26被引用数 11

ひとこと要約

この論文は、微分可能確率的プログラミング、変分推論とガウス過程、ニューラル尤度比推定を組み合わせることで、強いかがん銀河におけるダークマター小構造の検出を目的とした尤度フリー推論パイプラインを提示する。この手法により、1つのGPUで1万件の訓練例のみを用いて3時間未塔で高速かつ不確実性を考慮した源およびレンズパラメータの再構成が可能となり、小構造の周辺へのマージナライゼーションも効率的に行える。結果として、小構造の質量と位置の推定が高精度で達成された。

ABSTRACT

The analysis of optical images of galaxy-galaxy strong gravitational lensing systems can provide important information about the distribution of dark matter at small scales. However, the modeling and statistical analysis of these images is extraordinarily complex, bringing together source image and main lens reconstruction, hyper-parameter optimization, and the marginalization over small-scale structure realizations. We present here a new analysis pipeline that tackles these diverse challenges by bringing together many recent machine learning developments in one coherent approach, including variational inference, Gaussian processes, differentiable probabilistic programming, and neural likelihood-to-evidence ratio estimation. Our pipeline enables: (a) fast reconstruction of the source image and lens mass distribution, (b) variational estimation of uncertainties, (c) efficient optimization of source regularization and other hyperparameters, and (d) marginalization over stochastic model components like the distribution of substructure. We present here preliminary results that demonstrate the validity of our approach.

研究の動機と目的

• 光学画像データを用いて、強いかがん銀河における小スケールダークマター小構造を推定する課題に対処すること。
• フルベイジアン推論における高次元レンズおよび源パラメータのマージナライゼーションが計算的に非現実的であるという課題を克服すること。
• 制約付き事後分布サンプリングによりデータ要件を低減することで、個々のレンズ系に対して効率的な的確な推論を可能にすること。
• 現代の機械学習技術を統合したスケーラブルなフレームワークを構築すること。
• 最小限の訓練データと高速な推論時間で小構造検出が可能であることを実証すること。

提案手法

• 源表面輝度を5層のガウス過程モデルで表現し、微分可能で変分推論フレームワークを用いて源およびレンズパラメータの事後分布を近似する。
• 近似事後分布をサンプリングして、観測されたかがん画像に類似した合成訓練データを生成する。この際、ターゲット観測と整合する構成に限定して生成する。
• ニューラルネットワークを用いて、尤度比から尤度比の比（尤度対尤度比）を学習することで、小構造パラメータ（例：小銀河質量および位置）のマージナル事後分布を推定する尤度フリー推論パイプラインを構築する。
• PyroとPyTorchを用いた微分可能確率的プログラミングにより、モデル全体の勾配ベース最適化をエンドツーエンドで可能にする。
• 合成データ上で畳み込みニューラルネットワークおよび全結合ニューラルネットワークを訓練し、小銀河パラメータの事後分布を予測する。
• このフレームワークは拡張可能であり、主レンズ光、視線方向のハロ、複数の小銀河などの追加コンポーネントを容易に統合できる。

実験結果

リサーチクエスチョン

• RQ1 最小限の訓練データで、的確な小構造推定が可能な的確な尤度フリー推論パイプラインは構築可能か？
• RQ2 微分可能確率的プログラミングと変分推論は、高次元画像モデルにおける源およびレンズパラメータの高速かつ不確実性を考慮した再構成を可能にするか？
• RQ3 ニューラル尤度比推定は、標準的な尤度フリー手法と比較して、小構造推定のためのデータ要件をどの程度低減できるか？
• RQ4 1万件の合成観測データでのみ学習した場合、真の小銀河質量および位置をどの程度正確に回復できるか？
• RQ5 このフレームワークは、主レンズ光や視線方向のハロといった現実的な天体的要因を今後統合可能か？

主な発見

• パイプラインは、真値からの誤差が0.1–5%の範囲に収まるよう、源およびレンズパラメータを正確に再構成し、模擬観測と類似したフィット画像を生成した。
• 小銀河位置の事後分布は、68%の包含領域内に真の小銀河位置を正確に含んでおり、正確な局所化が示された。
• 小銀河質量の事後分布は、真の質量（約10⁹ M☉）の周辺に集中していたが、推定プロセスに内在する不確実性のため、分布が広がっていた。
• 源およびレンズの再構成と小構造推定を含む全パイプラインが、1つのNvidia GTX TitanX GPUで数時間で完了した。
• わずか1万件の訓練例で、標準的な尤度フリー手法と比較して顕著にデータ要件を低減した信頼性の高い推論が達成された。
• このフレームワークは拡張可能であり、今後の研究で主レンズ光や視線方向のハロなどの追加的な天体的コンポーネントの統合が容易に可能である。