[논문 리뷰] Targeted Likelihood-Free Inference of Dark Matter Substructure in Strongly-Lensed Galaxies

Adam Coogan, Konstantin Karchev외 1명|arXiv (Cornell University)|2020. 10. 14.

Gaussian Processes and Bayesian Inference참고 문헌 26인용 수 11

한 줄 요약

이 논문은 강한 렌즈 효과를 보이는 은하에서 암흑물질 준구조를 탐지하기 위해 유연한 기계학습과 베이지안 접근을 융합한 표적 지향적 가능도 무관 추론 파이프라인을 제시한다. 미분 가능한 확률적 프로그래밍, 가우시안 프로세스를 활용한 변분 추론, 신경망 기반 가능도 비율 추정을 결합함으로써, 단일 GPU에서 10,000개의 훈련 예제만으로도 3시간 이내에 신속하고 불확실성 인식 가능한 원천 및 렌즈 매개변수 재구성과 준구조에 대한 효율적 근사가 가능해졌으며, 이는 정확한 준구조 질량 및 위치 추론을 달성한다.

ABSTRACT

The analysis of optical images of galaxy-galaxy strong gravitational lensing systems can provide important information about the distribution of dark matter at small scales. However, the modeling and statistical analysis of these images is extraordinarily complex, bringing together source image and main lens reconstruction, hyper-parameter optimization, and the marginalization over small-scale structure realizations. We present here a new analysis pipeline that tackles these diverse challenges by bringing together many recent machine learning developments in one coherent approach, including variational inference, Gaussian processes, differentiable probabilistic programming, and neural likelihood-to-evidence ratio estimation. Our pipeline enables: (a) fast reconstruction of the source image and lens mass distribution, (b) variational estimation of uncertainties, (c) efficient optimization of source regularization and other hyperparameters, and (d) marginalization over stochastic model components like the distribution of substructure. We present here preliminary results that demonstrate the validity of our approach.

연구 동기 및 목표

• 광학 이미징 데이터를 활용해 강한 렌즈 효과를 보이는 은하에서 소규모 암흑물질 준구조를 추론하는 데 도전하는 것.
• 전체 베이지안 추론에서 고차원 렌즈 및 원천 매개변수에 대한 근사가 계산적으로 불가능한 문제를 해결하는 것.
• 제약된 사후 분포 샘플링을 통해 데이터 요구량을 줄임으로써 개별 렌즈 시스템에 대한 효율적이고 표적 지향적인 추론을 가능하게 하는 것.
• 현대 기계학습 기법을 통합한 확장 가능한 프레임워크를 개발하는 것.
• 최소한의 훈련 데이터와 빠른 추론 시간으로도 준구조 탐지의 가능성을 입증하는 것.

제안 방법

• 원천 표면 빛의 세기 분포를 다섯 층의 가우시안 프로세스 모델로 표현함으로써, 원천 및 렌즈 매개변수에 대한 사후 분포를 근사하는 가역적 변분 추론 프레임워크를 사용한다.
• 근사 사후 분포를 샘플링하여 관측된 렌즈 이미지와 유사한 구조를 가진 합성 훈련 데이터를 생성하며, 이는 목표 관측치와 일치하는 구성에만 집중한다.
• 신경망을 사용하여 가능도-증거 비율을 학습함으로써, 준구조 매개변수(예: 준구조 질량 및 위치)의 근사 사후 분포를 추정하는 가능도 무관 추론 파이프라인을 구성한다.
• 파이썬 기반의 Pyro와 PyTorch를 활용한 미분 가능한 확률적 프로그래밍을 통해 전체 모델의 엔드 투 엔드 기반 기울기 최적화를 가능하게 한다.
• 합성 데이터를 기반으로 컨볼루션 및 완전 연결 신경망을 훈련시켜 준구조 매개변수에 대한 사후 분포를 예측하는 방식으로 준구조 추론을 수행한다.
• 프레임워크는 확장 가능하도록 설계되어, 주 렌즈 빛, 시선 방향의 구조, 다중 준구조 등 추가 구성 요소를 간편하게 통합할 수 있다.

실험 결과

연구 질문

• RQ1 최소한의 훈련 데이터로도 표적 지향적 가능도 무관 추론 파이프라인이 강한 렌즈 효과를 보이는 은하에서 정확한 준구조 추론을 달성할 수 있는가?
• RQ2 미분 가능한 확률적 프로그래밍과 변분 추론이 고차원 이미지 모델에서 원천 및 렌즈 매개변수의 신속하고 불확실성 인식 가능한 재구성에 기여할 수 있는가?
• RQ3 기존의 가능도 무관 방법에 비해 신경망 기반 가능도 비율 추정이 준구조 추론에 필요한 데이터 요구량을 얼마나 줄일 수 있는가?
• RQ4 단지 10,000개의 합성 관측치로 훈련된 모델이 진짜 준구조 질량과 위치를 얼마나 잘 복원할 수 있는가?
• RQ5 이 프레임워크는 주 렌즈 빛과 시선 방향의 구조 등 실제 천체물리적 구성 요소를 향후에 포함시킬 수 있는가?

주요 결과

• 파이프라인이 진짜 값의 0.1–5% 이내의 오차로 원천 및 렌즈 매개변수를 성공적으로 재구성하였으며, 재구성된 이미지가 모의 관측치와 매우 유사하게 나타났다.
• 준구조 위치 사후 분포가 68% 포함 영역 내에 진짜 준구조 위치를 정확히 둘러싸고 있어 정확한 국소화를 보였다.
• 준구조 질량 사후 분포는 약 10⁹ M☉의 진짜 질량 근처에 중심을 두었지만, 추론 과정의 본질적 불확실성으로 인해 분포가 넓어진 것으로 나타났다.
• 원천 및 렌즈 재구성, 준구조 추론을 포함한 전체 분석 파이프라인이 단일 Nvidia GTX TitanX GPU에서 몇 시간 내에 완료되었다.
• 단지 10,000개의 훈련 예제로도 신뢰할 수 있는 추론가능성을 확보하였으며, 기존의 가능도 무관 접근법에 비해 데이터 요구량을 크게 줄였다.
• 프레임워크는 확장 가능하며, 향후 주 렌즈 빛과 시선 방향의 구조 등 추가적인 천체물리적 구성 요소를 포함시킬 수 있도록 적응 가능하다.