[논문 리뷰] Fast emulation of two-point angular statistics for photometric galaxy surveys

Marco Bonici, Luca Biggio외 2명|arXiv (Cornell University)|2022. 06. 28.

Galaxies: Formation, Evolution, Phenomena인용 수 7

한 줄 요약

이 논문은 광학적 은하 설문조사에 대한 이중각 통계(3x2pt)를 표준 볼츠만 해석기보다 약 1,000배 빠르게 예측하는 기계학습 기반 에뮬레이터를 제시한다. 이는 0.175% 미만의 정확도를 달성한다. 이 방법은 단일 딥 네ural 네트워크를 사용해 우주론적 매개변수를 직접 $C(\ell)$ 계수로 매핑함으로써, 제4단계 설문조사의 빠른 우도 평가를 가능하게 한다.

ABSTRACT

We develop a set of machine-learning based cosmological emulators, to obtain fast model predictions for the $C(\ell)$ angular power spectrum coefficients characterising tomographic observations of galaxy clustering and weak gravitational lensing from multi-band photometric surveys (and their cross-correlation). A set of neural networks are trained to map cosmological parameters into the coefficients, achieving a speed-up $\mathcal{O}(10^3)$ in computing the required statistics for a given set of cosmological parameters, with respect to standard Boltzmann solvers, with an accuracy better than $0.175\%$ ($<0.1\%$ for the weak lensing case). This corresponds to $\sim 2\%$ or less of the statistical error bars expected from a typical Stage IV photometric surveys. Such overall improvement in speed and accuracy is obtained through ($ extit{i}$) a specific pre-processing optimisation, ahead of the training phase, and ($ extit{ii}$) a more effective neural network architecture, compared to previous implementations.

연구 동기 및 목표

• MCMC 샘플링 중 반복적인 볼츠만 해석기 호출로 인한 우주론적 매개변수 추정의 계산적 한계를 해결한다.
• 유레우이드와 LSST와 같은 차세대 광학 설문조사에 대한 효율적인 우도 기반 추론을 가능하게 하기 위해, 각도 파워 스펙트럼 예측을 가속화한다.
• 중간 단계(예: Limber 근사나 $P_{\mathrm{mm}}(k)$ 계산)를 생략하는 $C(\ell)$ 계수에 대한 직접 에뮬레이터를 개발한다.
• 최적화된 사전 처리와 모든 토모그래픽 조합을 위한 통합된 신경망 아키텍처를 사용해 이전의 에뮬레이터보다 정확도와 속도를 향상시킨다.
• 우주론적 매개변수에 대한 에뮬레이터 출력의 자동 미분을 가능하게 하여 기울기 기반 추론 방법을 촉진한다.

제안 방법

• 모든 토모그래픽 적색편이 밴드와 프로브 조합(GC, WL, 상관관계)에 대해 우주론적 매개변수(예: $\Omega_m$, $\sigma_8$, $w_0$)를 직접 $C(\ell)$ 계수로 매핑하는 딥 네ural 네트워크를 훈련한다.
• 특히 비선형성이 높은 영역에서 오차를 줄이고 일반화 능력을 향상시키기 위해 훈련 데이터에 사전 처리 최적화를 적용한다.
• 모든 $C_{ij}^{AB}(\ell)$ 조합을 동시에 학습하기 위해 단일의 공통된 신경망 아키텍처를 사용하여 서로 다른 성분 간의 물리적 상관관계를 활용한다.
• 직접 최종 $C(\ell)$ 값을 에뮬레이트함으로써, 체중 함수나 배경 변수 계산과 같은 중간 양상을 계산하지 않아 계산 오버헤드를 줄인다.
• 에뮬레이터 출력이 입력에 대해 미분 가능하도록 자동 미분을 활용하여 기울기 기반 MCMC 샘플링을 효율적으로 수행한다.
• 유사한 매개변수 공간에서 사전 훈련된 네트워크를 초기화하여 새로운 우주론적 모델에 대한 훈련을 가속화하기 위해 전이 학습을 활용한다.

실험 결과

연구 질문

• RQ1 단일 딥 네ural 네트워크가 모든 토모그래픽 밴드와 프로브 조합에 대해 3x2pt 통계의 전체 $C(\ell)$ 계수를 정확하고 효율적으로 에뮬레이트할 수 있는가?
• RQ2 사전 처리 및 네트워크 아키텍처 개선이 이전 방법에 비해 에뮬레이션 오차를 얼마나 줄일 수 있는가?
• RQ3 중간 양상(예: $P_{\mathrm{mm}}(k)$) 대신 직접 $C(\ell)$를 에뮬레이트함으로써 어떤 속도 향상과 정확도 향상을 달성할 수 있는가?
• RQ4 Limber 근사가 적용되지 않은 경우 에뮬레이터의 성능은 어떠한가? 아키텍처 변경 없이 비-Limber 투영을 처리할 수 있는가?
• RQ5 자동 미분를 통한 미분 가능한 예측을 제공함으로써, 에뮬레이터가 기울기 기반 추론을 더 빠르게 가능하게 할 수 있는가?

주요 결과

• 표준 볼츠만 해석기(CAMB 또는 CLASS) 대비 약 $\mathcal{O}(10^3)$의 속도 향상을 달성했으며, 각 우주론 모델에 대해 예측 시간이 1밀리초 이내다.
• 모든 $C(\ell)$ 계수에 대해 전체 정확도가 0.175% 이하이며, 약화 렌즈링의 경우 오차가 0.1% 미만으로, 제4단계 설문조사에서 예상되는 통계 오차 범위 내에 있다.
• 체중 함수 통합 및 배경 변수 계산과 같은 중간 단계를 생략함으로써 계산 비용을 절감했으며, 직접적으로 매개변수에서 $C(\ell)$로 매핑한다.
• 모든 토모그래픽 조합에 대해 통합된 네트워크 아키텍처를 사용함으로써 서로 다른 $C_{ij}^{AB}(\ell)$ 성분 간의 물리적 상관관계를 활용해 성능을 향상시켰다.
• 재학습 없이도 분석적으로 적용 가능한 노이즈 매개변수(예: 확대 편향)를 포함해도 안정성이 높으며, 재학습 없이도 잘 작동한다.
• CMB 측정치를 포함하는 데 자연스럽게 확장 가능하며, 아키텍처 변경 최소화로 향후 전반적인 비-Limber 에뮬레이터 개발을 지원한다.