[논문 리뷰] ${ m S{\scriptsize IM}BIG}$: A Forward Modeling Approach To Analyzing Galaxy Clustering

ChangHoon Hahn, Michael Eickenberg외 8명|arXiv (Cornell University)|2022. 11. 01.

Gaussian Processes and Bayesian Inference인용 수 6

한 줄 요약

SimBIG는 고정밀 N-body 시뮬레이션과 정규화 흐름을 활용하여 비선형 스케일에서 은하 군집의 천체물리적 제약 조건을 추출하는 시뮬레이션 기반 추론 프레임워크를 제안한다. 기존의 섭동 이론 방법보다 σ₈에 대해 27% 더 날카운 제약 조건을 달성하며, k_max = 0.5 h/Mpc까지 분석을 확장함으로써 이를 실현한다.

ABSTRACT

We present the first-ever cosmological constraints from a simulation-based inference (SBI) analysis of galaxy clustering from the new ${ m S{\scriptsize IM}BIG}$ forward modeling framework. ${ m S{\scriptsize IM}BIG}$ leverages the predictive power of high-fidelity simulations and provides an inference framework that can extract cosmological information on small non-linear scales, inaccessible with standard analyses. In this work, we apply ${ m S{\scriptsize IM}BIG}$ to the BOSS CMASS galaxy sample and analyze the power spectrum, $P_\ell(k)$, to $k_{ m max}=0.5\,h/{ m Mpc}$. We construct 20,000 simulated galaxy samples using our forward model, which is based on high-resolution ${ m Q{\scriptsize UIJOTE}}$ $N$-body simulations and includes detailed survey realism for a more complete treatment of observational systematics. We then conduct SBI by training normalizing flows using the simulated samples and infer the posterior distribution of $Λ$CDM cosmological parameters: $Ω_m, Ω_b, h, n_s, σ_8$. We derive significant constraints on $Ω_m$ and $σ_8$, which are consistent with previous works. Our constraints on $σ_8$ are $27\%$ more precise than standard analyses. This improvement is equivalent to the statistical gain expected from analyzing a galaxy sample that is $\sim60\%$ larger than CMASS with standard methods. It results from additional cosmological information on non-linear scales beyond the limit of current analytic models, $k > 0.25\,h/{ m Mpc}$. While we focus on $P_\ell$ in this work for validation and comparison to the literature, ${ m S{\scriptsize IM}BIG}$ provides a framework for analyzing galaxy clustering using any summary statistic. We expect further improvements on cosmological constraints from subsequent ${ m S{\scriptsize IM}BIG}$ analyses of summary statistics beyond $P_\ell$.

연구 동기 및 목표

• 비선형 스케일(k > 0.25 h/Mpc)에서 표준 섭동 이론의 한계를 극복하기 위해.
• 현실적인 설문 조건과 고해상도 시뮬레이션을 통합한 정방향 모델링 프레임워크를 개발하기 위해.
• 파워 스펙트럼을 초월한 요약 통계량, 예를 들어 고차 통계량과 필드 수준의 관측치를 활용하여 정밀한 천체물리적 제약 조건을 도출하기 위해.
• 모의 도전 과제를 통한 검증을 통해 천체물리적 파arameter에 대한 편향 없는 추론을 입증하기 위해.
• DESI, PFS, Euclid, Roman과 같은 향후 대규모 은하 설문 조사의 통계적 능력을 비선형 영역 정보에 접근함으로써 향상시키기 위해.

제안 방법

• Quijote N-body 시뮬레이션을 사용하여 헬로 오너십 분포(HOD) 모델과 전체 설문 현실성(예: 기하학, 마스크, 적색편이 오차)을 포함한 20,000개의 시뮬레이션된 은하 샘플을 구축한다.
• 천체물리적 파arameter(Ωₘ, Ω_b, h, n_s, σ₈)와 HOD 파arameter를 합성 은하 분포로 매핑하는 정방향 모델을 활용한다.
• 특히 P_ℓ(k)를 포함한 시뮬레이션 요약 통계량에 대해 정규화 흐름을 훈련시어 우도 함수를 학습하고 효율적인 사후 추론을 가능하게 한다.
• 훈련된 정규화 흐름을 관측된 CMASS SGC 데이터(109,636개의 은하)에 적용하여 천체물리적 및 HOD 파arameter에 대한 사후 분포를 추론한다.
• 기존의 표준 섭동 이론 분석에서의 일반적인 k_max = 0.25 h/Mpc 한계를 초월하여 k_max = 0.5 h/Mpc를 사용하여 추론한다.
• 다양한 정방향 모델을 가진 1,500개의 테스트 시뮬레이션을 사용한 모의 도전 과제를 통해 정밀도를 검증하여, 모델 불확실성 하에서도 편향 없는 천체물리적 제약 조건을 확인한다.

실험 결과

연구 질문

• RQ1 섭동 이론이 실패하는 비선형 스케일에서 시뮬레이션 기반 추론 프레임워크가 은하 군집으로부터 천체물리적 정보를 추출할 수 있는가?
• RQ2 SimBIG가 동일한 데이터에 대해 표준 섭동 이론 분석 대비 천체물리적 제약 조건의 정밀도는 어떻게 비교되는가?
• RQ3 비선형 스케일(k > 0.25 h/Mpc)을 포함할 경우 σ₈와 Ωₘ에 대한 제약 조건은 어느 정도 향상되는가?
• RQ4 모의 도전 과제를 통해 모델 불확실성과 관측 체계 오차에 대해 SimBIG 프레임워크가 얼마나 견고한가?
• RQ5 SimBIG는 고차 통계량과 필드 수준의 관측치를 확장하여 추가적인 천체물리적 정보를 추출할 수 있는가?

주요 결과

• SimBIG는 동일한 CMASS SGC 샘플에 대해 표준 섭동 이론 분석 대비 σ₈에 대해 27% 더 날카운 제약 조건을 달성한다(σ₈ = 0.668⁺⁰.⁰³²⁴₋₀.⁰²⁸⁴).
• σ₈ 정밀도 향상은 비선형 스케일(k > 0.25 h/Mpc)의 정보 덕분으로, 표준 방법으로 분석할 경우 60% 더 큰 은하 샘플을 분석한 것과 동일한 효과를 가진다.
• Ωₘ에 대한 제약 조건 역시 크게 향상된다(Ωₘ = 0.316⁺⁰.⁰⁴⁰₋₀.⁰³⁶), 높은 유의수준과 방법 간 일관성으로 확인된다.
• k_max = 0.25 h/Mpc일 때 SimBIG 사후 분포는 최근의 홀로 모델 에뮬레이터 분석과 잘 일치하여, 프레임워크의 견고성과 정확도를 확인한다.
• 다양한 정방향 모델을 가진 1,500개의 테스트 시뮬레이션을 사용한 모의 도전 과제에서 편향 없는 추론이 확인되어, 모델 불확실성 하에서도 신뢰할 수 있음을 입증한다.
• SimBIG는 컨volutional 및 그래프 신경망과 같은 딥러닝 아키텍처를 활용하여 향후 고차 통계량(예: 비스펙트럼, 마킹된 파워 스펙트럼)과 필드 수준의 관측치 분석을 가능하게 한다.