[논문 리뷰] Dark Energy Survey Year 3 results: likelihood-free, simulation-based $w$CDM inference with neural compression of weak-lensing map statistics

N Jeffrey, L Whiteway외 89명|arXiv (Cornell University)|2024. 03. 04.

Gaussian Processes and Bayesian Inference인용 수 4

한 줄 요약

이 논문은 월드CDM 천체물리학에 대해 암흑에너지 조사 연 3년도 약한 중력 렌즈 지도를 사용하여 가능도 없이 시뮬레이션 기반 추론 프레임워크를 제안한다. 이는 파wer 스펙트럼, 피크 수세기, 직접적인 CNN 기반 지도 압축을 포함한 지도 통계의 신경 압축과 정방향 모델링된 가짜 데이터를 결합하여 정밀한 매개변수 제약 조건을 달성한다. 이 방법은 파워 스펙트럼 전용 추론 대비 암흑 에너지 매개변수의 정밀도를 두 배 이상 향상시키며, $\Omega_{\rm m} = 0.283^{+0.020}_{-0.027}$ 및 $S_8 = 0.804^{+0.025}_{-0.017}$ 일 때 68% 신뢰구간에서 $w < -0.80$을 도출한다.

ABSTRACT

We present simulation-based cosmological $w$CDM inference using Dark Energy Survey Year 3 weak-lensing maps, via neural data compression of weak-lensing map summary statistics: power spectra, peak counts, and direct map-level compression/inference with convolutional neural networks (CNN). Using simulation-based inference, also known as likelihood-free or implicit inference, we use forward-modelled mock data to estimate posterior probability distributions of unknown parameters. This approach allows all statistical assumptions and uncertainties to be propagated through the forward-modelled mock data; these include sky masks, non-Gaussian shape noise, shape measurement bias, source galaxy clustering, photometric redshift uncertainty, intrinsic galaxy alignments, non-Gaussian density fields, neutrinos, and non-linear summary statistics. We include a series of tests to validate our inference results. This paper also describes the Gower Street simulation suite: 791 full-sky PKDGRAV dark matter simulations, with cosmological model parameters sampled with a mixed active-learning strategy, from which we construct over 3000 mock DES lensing data sets. For $w$CDM inference, for which we allow $-1

연구 동기 및 목표

• DES 연 3의 약한 중력 렌즈 데이터를 이용해 $w$CDM 모델에서 천체물리학적 매개변수 추론을 향상시키기 위해.
• 형태 소음, 광학적 적색편이 오차, 비정규성 등의 복잡한 통계적 불확실성을 정방향 모델링된 가짜 데이터를 통해 전체 추론 파이프라인에 완전히 전파하는 시뮬레이션 기반 추론 프레임워크를 개발하기 위해.
• 딥 러닝을 활용해 고차원 렌즈 지도 통계(파워 스펙트럼, 피크 수세기, 직접적인 지도 표현)의 신경 압축을 통해 추론의 효율성과 정확도를 향상시키기 위해.
• 791개의 전천구 천체물리학적 시뮬레이션과 10,000개 이상의 가짜 설문 조사로 구성된 대규모 공개 시뮬레이션 세트(Gower Street)를 활용해 추론 파이프라인을 검증하기 위해.
• 기존의 두 점 통계 대비 컨volution 신경망 기반의 지도 수준 추론이 암흑 에너지 및 물질 밀도 제약 조건을 어떻게 더 잘 충족하는지 입증하기 위해.

제안 방법

• 이 방법은 가능도 없이 후행 분포를 추정하기 위해 정방향 모델링된 가짜 데이터를 사용하는 시뮬레이션 기반 추론(가능도 없음 추론)을 적용한다.
• 컨volution 신경망(CNN)을 통한 종단 간 지도 수준 압축을 위해 파워 스펙트럼, 피크 수세기, 원시 렌즈 지도의 세 가지 유형의 렌즈 요약 통계에 대해 신경 압축을 적용한다.
• 791개의 전천구 pkdgrav3 시뮬레이션을 활용해 $\Omega_{\rm m}, w, \sigma_8, h, \Omega_{\rm b}h^2, n_s, m_\nu$를 포함한 천체물리학적 매개변수를 혼합형 활성 학습 전략으로 샘플링하여 Gower Street 시뮬레이션 세트를 구축한다.
• 가짜 데이터에는 천체적 천공, 비정규형 형태 소음, 형태 측정 편향, 소스 군집화, 광학적 적색편이 불확실성, 내재적 정렬, 비선형 밀도 필드 등의 현실적인 관측 효과가 포함되어 있다.
• 시뮬레이션 데이터에서 가능도를 학습하기 위해 신경 밀도 추정을 사용하여 후행 분포 검증 및 불확실성 정량화를 가능하게 한다.
• 후행 분포는 플랑크 CMB 및 표준 DES 두 점 함수 결과와의 비교를 포함한 여러 일致성 검증을 통해 검증된다.

실험 결과

연구 질문

• RQ1 딥 러닝 기반의 지도 수준 추론이 기존의 두 점 통계를 초월해 $w$CDM에서 천체물리학적 제약 조건을 향상시킬 수 있는가?
• RQ2 렌즈 지도 통계(파워 스펙트럼, 피크 수세기, 직접 지도)의 신경 압축이 추론 정밀도와 계산 효율성에 어떤 영향을 미치는가?
• RQ3 실제 정방향 모델링을 통한 시뮬레이션 기반 추론이 약한 중력 렌즈 천체물리학에서 체계적 편향을 얼마나 줄일 수 있는가?
• RQ4 비정규성 및 비선형 요약 통계를 포함할 경우 암흑 에너지 매개변수 제약 조건에 어떤 영향을 미치는가?
• RQ5 파워 스펙트럼과 CNN 기반 압축 지도의 조합이 파워 스펙트럼 전용 대비 $\Omega_{\rm m}$, $S_8$, $w$ 제약 조건을 어떻게 향상시키는가?

주요 결과

• 파워 스펙트럼과 CNN 기반 지도 수준 추론의 조합이 가장 강력한 제약 조건을 제공하며, 파워 스펙트럼 전용 추론 대비 암흑 에너지 매개변수 정밀도($\Omega_{\rm DE}, w$)를 두 배 이상 향상시킨다.
• 가장 정밀한 제약 조건은 $\Omega_{\rm m} = 0.283^{\pm 0.020}_{-0.027}$, $S_8 = 0.804^{+0.025}_{-0.017}$, 그리고 68% 신뢰구간에서 $w < -0.80$이다.
• 이 방법은 형태 소음, 광학적 적색편이 오차, 비정규성 등의 복잡한 통계적 불확실성을 정방향 모델링된 가짜 데이터를 통해 전체 추론 파이프라인에 성공적으로 전파한다.
• 791개의 전천구 천체물리학적 시뮬레이션과 10,000개 이상의 상관없는 가짜 설문 조사로 구성된 Gower Street 시뮬레이션 세트는 추론 프레임워크의 강력한 훈련 및 검증을 가능하게 한다.
• 검증 테스트는 플랑크 CMB 및 표준 DES 두 점 함수 가능도 외부 제약 조건과의 일치를 확인하여 후행 추정치의 신뢰성을 뒷받침한다.
• CNN 기반의 지도 수준 추론은 파워 스펙트럼이 놓치는 렌즈 지도의 비정규적 특징을 포착하여 천체물리학적 매개변수에 대한 민감도를 향상시킨다.