[논문 리뷰] Simulation-Based Inference of Strong Gravitational Lensing Parameters

Ronan Legin, Yashar Hezaveh외 2명|arXiv (Cornell University)|2021. 12. 10.

Pulsars and Gravitational Waves Research인용 수 4

한 줄 요약

이 논문은 강한 중력 렌즈 파rameter에 대한 정확하고 빠르며 校정된 사후 분포 추론을 가능하게 하기 위해 밀도 추정을 사용하는 시뮬레이션 기반 추론 프레임워크를 제안한다. 약간의 부정확한 부가적 베이지안 신경망에서 압축된 통계를 추출하여 혼합 밀도 네트워크에 입력으로 사용함으로써, 초모수 조정 없이도 잘 校정된 사후 분포를 달성하며, 수십만 개의 렌즈에 대한 효율적인 사후 추정이 가능해진다.

ABSTRACT

In the coming years, a new generation of sky surveys, in particular, Euclid Space Telescope (2022), and the Rubin Observatory's Legacy Survey of Space and Time (LSST, 2023) will discover more than 200,000 new strong gravitational lenses, which represents an increase of more than two orders of magnitude compared to currently known sample sizes. Accurate and fast analysis of such large volumes of data under a statistical framework is therefore crucial for all sciences enabled by strong lensing. Here, we report on the application of simulation-based inference methods, in particular, density estimation techniques, to the predictions of the set of parameters of strong lensing systems from neural networks. This allows us to explicitly impose desired priors on lensing parameters, while guaranteeing convergence to the optimal posterior in the limit of perfect performance.

연구 동기 및 목표

• 대규모 하늘 망원경 설문 조사 시대에 강력한 렌즈 파rameter에 대한 정확하고 확장 가능하며 불확실성 정량화가 가능한 추론의 핵심적인 필요성을 해결하기 위해.
• 약간의 부정확한 부가적 베이지안 신경망의 한계를 극복하기 위해, 명시적인 사전 분포 제어가 없고 정량 불가능한 근사치를 야기하기 때문이다.
• 완벽한 성능을 가진 경우 진정한 사후 분포로 수렴하는 것을 보장하면서도 명시적인 사전 분포 설정이 가능한 방법을 개발하기 위해.
• 최소한의 계산 자원을 사용하여 수만 개의 렌즈에 대한 효율적인 사후 추정을 가능하게 하기 위해.
• 렌즈의 항성 빛과 같은 실제 관측 효과에 대해 강건한 프레임워크를 제공하기 위해, 이를 시뮬레이션에 통합하기 위해.

제안 방법

• 강력한 중력 렌즈 파rameter에 대한 예측된 사후 분포의 평균을 계산하여, 약간의 부정확한 부가적 베이지안 신경망(BNNs)으로부터 압축된 통계를 추출한다.
• BNNs는 드롭아웃을 적용하여 네트워크 가중치에 대해 불확실성을 모델링하는 변분 추론을 사용하며, 이는 사후 분포를 근사하기 위해 적용된다.
• 혼합 밀도 네트워크(MDN)는 진짜 렌즈 파rameter가 주어졌을 때 압축된 통계의 가능도를 모델링하여 사후 분포의 밀도 추정을 가능하게 한다.
• MDN은 시뮬레이션된 렌즈 이미지와 그 진짜 파rameter를 학습 데이터로 사용하여 이미지 데이터에서 렌즈 파rameter에 대한 전체 사후 분포로의 매핑을 학습한다.
• 사후 커버리지의 유효성을 검증하기 위해 커버리지 확률 테스트를 사용하여 진짜 파arameter가 일관되게 예측된 신뢰 구간 내에 포함되는지 확인한다.
• 이 방법은 계산적으로 효율적이며, 단일 GPU를 사용하여 약 20분 내로 10,000개의 렌즈에 대한 사후 샘플링을 수행할 수 있다.

실험 결과

연구 질문

• RQ1 밀도 추정을 사용하는 시뮬레이션 기반 추론이 초모수 조정 없이도 강력한 렌즈 파aram터에 대해 잘 校정된 사후 분포를 제공할 수 있는가?
• RQ2 베이지안 신경망에서 유도된 압축된 통계가 진짜 사후 분포를 회복할 수 있도록 효과적으로 밀도 추정기 학습에 사용될 수 있는가?
• RQ3 BNN에서 드롭아웃에 의해 유도된 노이즈가 포함된 경우에도 이 방법의 성능이 유지되는가?
• RQ4 렌즈 은하의 항성 빛과 같은 실제 관측 효과 하에서 이 방법의 성능은 어떠한가?
• RQ5 이 프레임워크는 Sersic 모델을 초월한 복잡한 소스 형태를 다룰 수 있도록 확장될 수 있는가?

주요 결과

• 모든 초모수 조정 없이도 잘 校정된 사후 커버리지 성능을 달성하여 신뢰할 수 있는 불확실성 정량화를 보여준다.
• MDN 기반 가능도를 사용하여 생성된 사후 샘플은 정확한 커버리지 확률을 보이며, 이상적인 조건에서 진짜 사후 분포로 수렴하는 것을 확인한다.
• MDN의 성능은 BNN에서 0% 또는 20% 드롭아웃을 사용했을 때 유사하게 유지되며, 드롭아웃에 의한 노이즈에 대해 강건함을 시사한다.
• 이 프레임워크는 단일 NVIDIA V100 GPU를 사용하여 약 20분 내로 10,000개의 렌즈 시뮬레이션에 대한 사후 추정을 수행할 수 있어 높은 계산 효율성을 보여준다.
• 관측 오차에 강건한 프레임워크를 확보하기 위해, 시뮬레이션 파이프라인에 전경 항성 빛을 포함시킴으로써 실제 복잡성에 대한 확장 가능성을 입증한다.
• 미래의 다차원 콜모고로프-스미르노프 검정을 통해 고차원 파arameter 공간에서 통계적으로 타당한 사후 분포를 생성할 수 있는 능력을 추가로 검증할 것이다.