[논문 리뷰] Decoding Cosmological Information in Weak-Lensing Mass Maps with Generative Adversarial Networks

Masato Shirasaki, Naoki Yoshida외 3명|arXiv (Cornell University)|2019. 11. 28.

Galaxies: Formation, Evolution, Phenomena참고 문헌 74인용 수 10

한 줄 요약

이 논문은 실존적 모의 카탈로그를 사용하여 Subaru Hyper Suprime-Cam (HSC) 설문에서 약한 렌즈 질량 지도의 노이즈를 제거하기 위해 조건부 생성 적대 신경망(cGAN) 프레임워크를 제안한다. 이 방법은 $S_8$의 통계적 불확실성을 2배로 줄여, 설문 영역을 4배로 늘인 것과 동일한 효과를 내며, 노이즈가 있는 데이터로부터의 원주율 제약 조건을 향상시킨다.

ABSTRACT

Galaxy imaging surveys enable us to map the cosmic matter density field through weak gravitational lensing analysis. The density reconstruction is compromised by a variety of noise originating from observational conditions, galaxy number density fluctuations, and intrinsic galaxy properties. We propose a deep-learning approach based on generative adversarial networks (GANs) to reduce the noise in the weak lensing map under realistic conditions. We perform image-to-image translation using conditional GANs in order to produce noiseless lensing maps using the first-year data of the Subaru Hyper Suprime-Cam (HSC) survey. We train the conditional GANs by using 30000 sets of mock HSC catalogs that directly incorporate observational effects. We show that an ensemble learning method with GANs can reproduce the one-point probability distribution function (PDF) of the lensing convergence map within a $0.5-1\sigma$ level. We use the reconstructed PDFs to estimate a cosmological parameter $S_{8} = \sigma_{8}\sqrt{\Omega_{ m m0}/0.3}$, where $\Omega_{ m m0}$ and $\sigma_{8}$ represent the mean and the scatter in the cosmic matter density. The reconstructed PDFs place tighter constraint, with the statistical uncertainty in $S_8$ reduced by a factor of $2$ compared to the noisy PDF. This is equivalent to increasing the survey area by $4$ without denoising by GANs. Finally, we apply our denoising method to the first-year HSC data, to place $2\sigma$-level cosmological constraints of $S_{8} < 0.777 \, ({ m stat}) + 0.105 \, ({ m sys})$ and $S_{8} < 0.633 \, ({ m stat}) + 0.114 \, ({ m sys})$ for the noisy and denoised data, respectively.

연구 동기 및 목표

• 관측 효과, 은하 밀도 변동, 그리고 천체의 내재적 성질로 인한 약한 렌즈 질량 지도의 노이즈를 줄이기 위해.
• 노이즈 있는 관측치로부터 노이즈 없는 렌즈 수렴 지도를 재구성하는 데 조건부 GAN을 사용한 딥러닝 접근법을 개발하기 위해.
• 수렴 지도의 한점 확률분포함수(PDF)를 향상시켜 원주율 파rameter 추정을 향상시키기 위해.
• $S_8 = \sigma_8\sqrt{\Omega_{m0}/0.3}$와 같은 핵심 원주율 파rameter의 정밀도에 노이즈 제거가 미치는 영향을 정량화하기 위해.
• 훈련된 GAN 모델을 실제 1년차 HSC 데이터에 적용하여 더 엄격한 원주율 제약 조건을 도출하기 위해.

제안 방법

• 이 방법은 노이즈 있는 약한 렌즈 지도에서 노이즈 제거된 재구성도를 만드는 이미지 간 번역을 수행하기 위해 조건부 GAN을 사용한다.
• 훈련은 실제 관측 효과인 노이즈, 소스 밀도 변동, 천체의 내재적 성질을 포함한 30,000개의 모의 HSC 카탈로그를 사용하여 수행된다.
• 노이즈 제거된 수렴 PDF의 강건성과 정확도를 향상시키기 위해 앙상블 학습 접근법을 사용한다.
• 모델은 진정한 수렴 필드의 통계적 성질, 특히 한점 PDF를 유지하도록 훈련된다.
• 재구성된 PDF는 노이즈 있는 지도보다 통계적 불확실성이 감소한 $S_8$ 추정에 사용된다.
• 모델의 유효성을 시뮬레이션 데이터와 실제 1년차 HSC 데이터 모두에서 평가하여 원주율 제약 조건을 점검한다.

실험 결과

연구 질문

• RQ1 실제 관측 조건 하에서 조건부 GAN이 약한 렌즈 질량 지도의 노이즈를 효과적으로 줄일 수 있는가?
• RQ2 GAN 기반 노이즈 제거가 수렴 지도의 한점 PDF 정확도를 어느 정도 향상시킬 수 있는가?
• RQ3 노이즈 제거가 원주율 파rameter $S_8$의 통계적 불확실성에 어떤 영향을 미치는가?
• RQ4 실제 HSC 데이터에 GAN 기반 노이즈 제거를 적용했을 때, 어떤 설문 영역 증가 효과를 얻을 수 있는가?
• RQ5 노이즈 제거된 지도가 노이즈 있는 지도보다 더 엄격한 원주율 제약 조건을 제공하는가?

주요 결과

• 앙상블 GAN은 진정한 분포의 $0.5-1\sigma$ 수준 내에서 수렴 지도의 한점 PDF를 성공적으로 재현하였다.
• 노이즈 제거된 PDF를 사용할 경우, 노이즈 있는 PDF에 비해 $S_8$의 통계적 불확실성이 2배로 감소하였다.
• 이 불확실성 감소는 노이즈 제거 없이 설문 영역을 4배로 늘인 것과 동일한 효과를 가진다.
• 실제 1년차 HSC 데이터에 이 방법을 적용한 결과, 노이즈 제거된 데이터의 $S_8 < 0.633$ (stat) + 0.114 (sys)이며, 노이즈 있는 데이터의 $S_8 < 0.777$ (stat) + 0.105 (sys)와 비교하여 더 엄격한 제약 조건을 도출하였다.
• 노이즈 제거된 지도에서는 $S_8$의 2$\sigma$ 수준 제약 조건이 더욱 엄격해졌으며, 이는 원주율 감도 향상의 증거이다.
• 결과는 딥 생성 모델이 약한 렌즈 설문에서 원주율 파rameter 추정을 크게 향상시킬 수 있음을 확인한다.