[論文レビュー] Towards reconstructing the halo clustering and halo mass function of N-body simulations using neural ratio estimation

Androniki Dimitriou, Christoph Weniger+1 more|arXiv (Cornell University)|Jun 22, 2022

Galaxies: Formation, Evolution, Phenomena被引用数 4

ひとこと要約

本論文では、N体シミュレーションの画像からハローのクラスタリングおよび質量関数を再構築するためのニューラルレシオ推定アプローチを提案する。この手法は、シミュレートされた密度マップと解析的ハロー・モデルを直接比較することで、物理的パラメータの推定を可能にする。マージナル・ニューラル・レシオ推定を用いることで、尤度を明示的に計算せずに物理的パラメータを正確に回復でき、実際の模擬画像の生成にも成功。深層学習を用いた自動的で微分可能な宇宙論的シミュレーション解析への有望な道筋を示している。

ABSTRACT

High-resolution cosmological N-body simulations are excellent tools for modelling the formation and clustering of dark matter haloes. These simulations suggest complex physical theories of halo formation governed by a set of effective physical parameters. Our goal is to extract these parameters and their uncertainties in a Bayesian context. We make a step towards automatising this process by directly comparing dark matter density projection maps extracted from cosmological simulations, with density projections generated from an analytical halo model. The model is based on a toy implementation of two body correlation functions. To accomplish this we use marginal neural ratio estimation, an algorithm for simulation-based inference that allows marginal posteriors to be estimated by approximating marginal likelihood-to-evidence ratios with a neural network. In this case, we train a neural network with mock images to identify the correct values of the physical parameters that produced a given image. Using the trained neural network on cosmological N-body simulation images we are able to reconstruct the halo mass function, to generate mock images similar to the N-body simulation images and to identify the lowest mass of the haloes of those images, provided that they have the same clustering with our training data. Our results indicate that this is a promising approach in the path towards developing cosmological simulations assisted by neural networks.

研究の動機と目的

• 機械学習を用いて、宇宙論的N体シミュレーションからのハロー形成パラメータの推論を自動化すること。
• 宇宙構造形成におけるシミュレーションベース推論における高次元的かつ解析的に扱いにくい尤度の問題に取り組むこと。
• ダークマター密度投影マップから直接、ハロー質量関数およびクラスタリング特性を再構築すること。
• 従来の尤度計算を回避する微分可能でエンドツーエンドのフレームワークを構築すること。

提案手法

• 尤度を明示的に計算せずに、物理的パラメータの事後分布を近似するため、マージナル・ニューラル・レシオ推定（MNRE）を採用する。
• ハロー質量関数のカットオフとクラスタリングの振幅を調整可能なパラメータを有する解析的トゥイ・ハロー・モデルから生成された合成画像を用いて、ニューラルネットワークを訓練する。
• 2体相関関数モデルを用いて、ガウス確率場とべき乗則スペクトルを持つパワースペクトルを仮定して、ハロークラスタリングをシミュレートする。
• ダークマターのみのN体シミュレーションデータ（EAGLE）を直接用いて、画像統計を一致させることでモデルをキャリブレーションする。
• 画像回転を用いたデータオーグメンテーションを適用し、訓練済みネットワークのロバスト性と一般化性能を向上させる。
• 模擬画像の生成と実際のシミュレーション出力との比較により、結果の妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 神経的レシオ推定は、尤度を明示的に計算せずに、N体シミュレーション画像から最小ハロー質量カットオフを正確に推定できるか？
• RQ2 MNREによって情報化された単純な解析的ハロー・モデルは、宇宙論的シミュレーションで観測されたハロークラスタリングおよび質量関数をどれほど正確に再現できるか？
• RQ3 入力データに構造的変更を加える回転などの画像変換に対しても、この手法はロバストであるか？
• RQ4 訓練済みモデルは、実際のN体シミュレーション出力に類似したリアルな模擬画像をどの程度正確に生成できるか？
• RQ5 現在のトゥイ・モデルが、非ガウス的またはフィラメント構造を捉えるのにどの程度不十分であるか？

主な発見

• 本手法は、ハロー質量関数のカットオフ（log10 cutoff）を高い精度で再構築でき、ほとんどの場合、真の値が1σおよび2σの信用区間内に収まる。
• 生成された模擬画像は、元のN体シミュレーション画像と視覚的に類似しており、強力な生成的忠実度を示している。
• 画像回転による大きな構造的変化があっても、推定された事後分布は極めて安定しており、データオーグメンテーションに対するロバスト性が確認された。
• ハローの数は合理的な精度で回復されたが、特に低質量ハローでは、高密度クラスタ領域で若干の欠損が見られた。
• 現在のトゥイ・モデル（ガウス確率場に基づく）は、非ガウス的特徴（例：フィラメント）を捉えるのに不十分であることが示唆され、より複雑なクラスタリングモデルの必要性が浮き彫りになった。
• 計算コストは妥当であり、1枚あたり約1秒で2000個のハローを持つ画像を生成可能で、数千枚の模擬画像のスケーラブルなシミュレーションが可能である。