[논문 리뷰] Robust marginalization of baryonic effects for cosmological inference at the field level

Francisco Villaescusa-Navarro, Shy Genel외 12명|arXiv (Cornell University)|2021. 09. 21.

Galaxies: Formation, Evolution, Phenomena참고 문헌 17인용 수 4

한 줄 요약

이 논문은 깊이 있는 신경망이 스케일 컷이나 은하물리 효과 억제 없이도, 한 유체역학 시뮬레이션 세트(예: IllustrisTNG)에서 훈련된 후 다른 세트(예: SIMBA)에서 테스트할 때조차도 2차원 총 질량 표면 밀도 지도에서 천체물리적 매개변수(Ωₘ 및 σ₈)를 안정적으로 추론할 수 있음을 보여준다. 네트워크는 100 h⁻¹ kpc까지 해상도가 확보된 모든 척도에서 천체물리 정보를 추출하여, Ωₘ와 σ₈에 대해 각각 4% 및 2.5%의 정확도를 달성하며, 은하물리 효과에 대한 효과적인 보정을 수행하고 있음을 시사한다.

ABSTRACT

We train neural networks to perform likelihood-free inference from $(25\\,h^{-1}{\ m Mpc})^2$ 2D maps containing the total mass surface density from thousands of hydrodynamic simulations of the CAMELS project. We show that the networks can extract information beyond one-point functions and power spectra from all resolved scales ($\\gtrsim 100\\,h^{-1}{\ m kpc}$) while performing a robust marginalization over baryonic physics at the field level: the model can infer the value of $\\Omega_{\ m m} (\\pm 4\\%)$ and $\\sigma_8 (\\pm 2.5\\%)$ from simulations completely different to the ones used to train it.

연구 동기 및 목표

• 2차원 질량장 지도에서 최대한의 정보를 추출하면서도 은하물리 효과에 대해 안정적으로 보정하는 천체물리학적 추론 방법을 개발하는 것.
• 일부 유체역학 시뮬레이션 세트(예: IllustrisTNG)에서 훈련된 신경망이 다른 세트(예: SIMBA)로 일반화 가능한지 테스트하는 것, 이는 서로 다른 수치적 방법과 미세구조 모델을 가짐에도 불구하고.
• 네트워크가 큰 스케일 정보에만 의존하는지, 아니면 작은 스케일의 비선형 구조에서 천체물리 신호를 추출하는지 확인하는 것.
• 네트워크가 은하물리 오염을 피하기 위해 암묵적으로 스케일 컷이나 스무딩을 적용하는지 평가하는 것.
• 해상도와 공간 필터링의 역할이 장 수준 데이터에서 천체물리 매개변수 추론에 어떻게 기여하는지 평가하는 것.

제안 방법

• CAMELS 프로젝트의 1,000개 시뮬레이션에서 유래한 256×256 픽셀 크기의 2차원 총 질량 표면 밀도 지도를 사용하여 깊이 있는 신경망을 훈련시켰으며, 이는 IllustrisTNG 및 SIMBA 시뮬레이션 세트를 포함한다.
• 천체물리적 매개변수(Ωₘ ∈ [0.1, 0.5], σ₈ ∈ [0.6, 1.0])와 은하물리 피드백 매개변수의 라틴 하이퍼큐브 샘플링을 사용하여 네트워크를 훈련시켰다.
• 교차 시뮬레이션 추론을 수행: 한 세트(예: IllustrisTNG)에서 훈련하고 다른 세트(예: SIMBA)에서 테스트하며, 반대로도 수행하여 일반화 능력을 테스트했다.
• 스케일에 대한 안정성 테스트를 위해 다양한 너비의 가우시안 커널로 지도를 스무딩하고 추론 정확도를 비교했다.
• N-body 시뮬레이션(은하물리 없음)을 사용한 분석을 통해 성능이 은하물리 오염이 미미하기 때문인지, 아니면 효과적인 보정 덕분인지 확인했다.
• 예측된 천체물리 매개변수의 상대 평균 및 표준편차를 진짜 값과 비교하여 추론 정확도를 정량화했다.

실험 결과

연구 질문

• RQ1 일부 유체역학 시뮬레이션 세트(예: IllustrisTNG)에서 훈련된 신경망이 다른 세트(예: SIMBA)에서 천체물리 매개변수를 추론하는 데 일반화 가능한가? 이는 서로 다른 수치적 코드와 미세구조 모델을 가짐에도 불구하고.
• RQ2 네트워크가 큰 스케일의 파wer 스펙트럼에 의존하는 것보다 작은 스케일의 비선형 구조(≤100 h⁻¹ kpc)에서 천체물리 정보를 얼마나 추출하는가?
• RQ3 네트워크의 성공은 은하물리 효과에 대한 효과적인 보정 때문인지, 아니면 스케일 컷이나 스무딩을 통해 은하물리 영향을 받는 스케일을 회피하기 때문인가?
• RQ4 지도가 스무딩될수록 성능이 떨어지는가? 이는 높은 해상도의 특징에 의존한다는 것을 시사한다.
• RQ5 유체역학적 지도에서 훈련된 네트워크가 N-body 지도(은하물리 없음)에서 천체물리학을 추론할 수 있는가? 이는 데이터에서 은하물리 효과가 미미하다는 것을 시사한다.

주요 결과

• IllustrisTNG 지도에서 훈련된 신경망은 SIMBA 지도에서 테스트할 때 Ωₘ와 σ₈를 각각 4% 및 2.5%의 상대 정확도로 성공적으로 추론하며, 반대로도 동일한 성능을 보여, 교차 시뮬레이션 일반화 능력이 뛰어나다는 것을 입증한다.
• 네트워크는 모든 해상도가 확보된 척도에서 천체물리 정보를 추출하며, 가장 작은 척도(1 픽셀, 약 98 h⁻¹ kpc)까지도 포함한다. 이는 지도를 가우시안 커널로 스무딩할 경우 성능이著しく 떨어지므로 확인된다.
• 스무딩이 증가할수록 성능이 떨어지며, Ωₘ의 평균 상대 정확도는 스무딩 없이 3.4%에서 3픽셀 커널일 경우 8.8%로 증가한다. 이는 네트워크가 세밀한 구조적 특징을 사용하고 있음을 시사한다.
• 은하물리가 없는 N-body 지도에서 훈련하고 유체역학적 지도에서 테스트하는 것은 천체물리 매개변수를 회복하지 못하며, 이는 지도에 은하물리 효과가 미미하기 때문이라는 설명을 배제한다.
• 유체역학적 지도에서 훈련된 네트워크가 N-body 지도에서 테스트할 경우 실패함을 확인하여, 네트워크가 은하물리 효과를 피하기 위해 암묵적인 스케일 컷을 적용하지 않는다는 것을 입증한다.
• AREPO와 GIZMO의 서로 다른 시뮬레이션 코드, IllustrisTNG와 SIMBA의 서로 다른 미세구조 모델, 그리고 다른 수치적 방법을 고려할 때도 일관된 성능을 보여, 네트워크가 장 수준에서 은하물리 효과를 효과적으로 보정하고 있음을 확인한다.