[논문 리뷰] Sesame: A power spectrum emulator pipeline for beyond-$Λ$CDM models

Renate Mauland, Hans A. Winther외 1명|arXiv (Cornell University)|2023. 09. 23.

Computational Physics and Python ApplicationsComputer Science참고 문헌 3인용 수 3

한 줄 요약

이 논문은 빠른 근사 N-body 시뮬레이션(COLA)과 신경망을 사용하여 빛의 법칙을 초월한 ΛCDM 모델에서의 비선형 물질 스펙트럼 부스터를 효율적으로 에뮬레이션할 수 있는 계산 파이프라인인 Sesame을 소개한다. $ B(k,z) = P_{\text{beyond-}\Lambda\rm CDM}(k,z)/P_{\Lambda\rm CDM}(k,z) $ 비율을 계산하여 $ k \sim 3-5\,h\,\mathrm{Mpc}^{-1} $ 까지 약 1–2%의 정확도를 달성하며, 전통적인 에뮬레이터에 비해 자원 소모를 크게 줄였다.

ABSTRACT

The mysterious nature of the dark sector of the $Λ$CDM model is one of the main motivators behind the study of alternative cosmological models. A central quantity of interest for these models is the matter power spectrum, which quantifies structure formation on various scales and can be cross-validated through theory, simulations, and observations. We present a tool that can be used to create emulators for the non-linear matter power spectrum, and similar global clustering statistics, for models beyond $Λ$CDM with very little computation effort and without the need for supercomputers. We use fast approximate N-body simulations to emulate the boost, $B(k,z)=P_{ ext{beyond}-Λ m CDM}(k,z) / P_{Λ m CDM}(k, z)$, and then rely on existing high-quality emulators made for $Λ$CDM to isolate $P_{ ext{beyond}-Λ m CDM}(k,z)$. Since both the $Λ$CDM and beyond-$Λ$CDM models are simulated in our approach, some of the lack of power on small scales is factored out, allowing us to extend the emulator to $k \sim 3-5\,h\,\mathrm{Mpc}^{-1}$ and still maintain good accuracy. In addition, errors from the simulation and emulation process can be estimated and factored into the covariance when using the emulator on data. As an example of using the pipeline, we create an emulator for the well-studied $f(R)$ model with massive neutrinos, using approximately 3000 CPU hours of computation time. Provided with the paper is a fully functioning pipeline that generates parameter samples, runs a Boltzmann solver to produce initial conditions, runs the simulations, and then gathers all the data and runs it through a machine learning module to develop the emulator. This tool, named Sesame, can be used by anyone to generate a power spectrum emulator for the cosmological model of their choice.

연구 동기 및 목표

• 빛의 법칙을 초월한 우주론적 모델에서 물질 스펙트럼을 에뮬레이트하는 확장 가능하고 자원 소모가 적은 파이프라인 개발.
• 완전한 N-body 시뮬레이션의 높은 계산 비용과 초고성능 컴퓨터에 의존하는 에뮬레이터 학습 문제 해결.
• 근사 시뮬레이션을 사용하여 비선형 영역($ k \sim 3-5\,h\,\mathrm{Mpc}^{-1} $)까지 $ B(k,z) = P_{\text{beyond-}\Lambda\rm CDM}/P_{\Lambda\rm CDM} $의 스펙트럼 부스터를 정확하게 에뮬레이션.
• 시뮬레이션 해상도 오차와 에뮬레이터 불확실성의 오차를 종합하여 데이터 분석의 최종 공분산에 통합.
• 연구자들이 어떤 빛의 법칙을 초월한 ΛCDM 모델에 대해서도 맞춤형 에뮬레이터를 생성할 수 있도록 완전히 재현 가능하고 오픈소스인 파이프라인(Sesame) 제공.

제안 방법

• ΛCDM 및 빛의 법칙을 초월한 ΛCDM 모델에 대해 빠르고 근사적인 N-body 시뮬레이션을 수행하기 위해 공변 라그랑주 가속도(COLA) 방법을 사용.
• ΛCDM에서의 편차를 분리하기 위해 스펙트럼 부스터 $ B(k,z) = P_{\text{beyond-}\Lambda\rm CDM}(k,z)/P_{\Lambda\rm CDM}(k,z) $ 를 계산.
• 기존의 고정밀 ΛCDM 에뮬레이터를 활용하여 부스터와 ΛCDM 스펙트럼으로부터 전체 $ P_{\text{beyond-}\Lambda\rm CDM}(k,z) $ 를 재구성.
• PyTorch Lightning 프레임워크를 사용하여 시뮬레이션된 부스터 데이터에 대해 신경망을 훈련시켜 미분 가능하고 내삽 가능한 에뮬레이터를 구축.
• 시뮬레이션 설정의 수렴 테스트를 수행하고, 라틴 하이퍼큐브 샘플링을 사용하여 우주론적 매개변수 공간을 효율적으로 탐색.
• 고해상도 N-body 시뮬레이션 비교를 통한 해상도 영향과 학습 데이터로부터의 에뮬레이터 불확실성을 조합하여 총 오차를 추정.

실험 결과

연구 질문

• RQ1 COLA와 같은 저비용 근사 시뮬레이션 방법을 사용하여 빛의 법칙을 초월한 ΛCDM 모델에서의 비선형 물질 스펙트럼 부스터를 정확하게 에뮬레이션할 수 있는가?
• RQ2 부스터 비율에서 해상도 관련 잡음의 상쇄 효과가 $ k \sim 3-5\,h\,\mathrm{Mpc}^{-1} $ 까지의 에뮬레이터의 동적 범위를 얼마나 연장시킬 수 있는가?
• RQ3 COLA로 시뮬레이션한 부스터 데이터에 훈련된 신경망 에뮬레이터가, 대량 중성미자를 포함한 $ f(R) $ 모델의 진짜 스펙트럼을 얼마나 정확하게 재현할 수 있는가?
• RQ4 에뮬레이터의 오차 예산을 신뢰성 있게 추정하고 천체물리학적 데이터 분석에 반영할 수 있는가?
• RQ5 초고성능 컴퓨터 요구 사항을 최소화하면서도 완전히 자동화되고 재사용 가능한 파이프라인을 구축하여 맞춤형 빛의 법칙을 초월한 ΛCDM 모델의 에뮬레이션을 수행하는 것은 가능한가?

주요 결과

• Sesame 파이프라인은 $ f(R) $ 중력 모델에 대량 중성미자를 포함한 경우, 적외선 $ z = 0 $ 에서 비선형 부스터에 대해 약 1–2%의 정확도를 달성하며, $ k \sim 3-5\,h\,\mathrm{Mpc}^{-1} $ 까지 연장된다.
• $ f(R) $ 중력에 대한 완전히 선형 부스터 에뮬레이터는 시뮬레이션과 비교해 백분율 이하의 정확도를 보이며, 약간의 비선형 영역에서도 높은 정밀도를 입증한다.
• 전체 에뮬레이터를 위한 계산 시간이 기존 ΛCDM 에뮬레이터 파이프라인의 수백만 CPU 시간에서 약 3,000 CPU 시간으로 크게 감소하였다.
• 비율 $ B(k,z) $ 를 계산함으로써, 근사 시뮬레이션에서 발생하는 해상도 오차를 완화하여 더 높은 $ k $-값에서 신뢰할 수 있는 에뮬레이션을 가능하게 하였다.
• 파라미터 샘플링, CLASS 기반 초기 조건, COLA 시뮬레이션, 데이터 수집, 신경망 훈련 및 오차 추정을 포함한 완전한 오픈소스 워크플로우를 제공한다.
• COLA 시뮬레이션과 에뮬레이터의 오차가 모두 정량화되었으며, 데이터 피팅 과정에서 공분산 행렬에 통합되어 신뢰할 수 있는 통계적 추론이 보장된다.