[논문 리뷰] Towards reconstructing the halo clustering and halo mass function of N-body simulations using neural ratio estimation

Androniki Dimitriou, Christoph Weniger외 1명|arXiv (Cornell University)|2022. 06. 22.

Galaxies: Formation, Evolution, Phenomena인용 수 4

한 줄 요약

이 논문은 N-body 시뮬레이션 이미지에서 직접 시뮬레이션된 밀도 맵과 분석적 헬로 모델을 비교하여 헬로 군집 및 질량 함수를 복원하기 위한 신경 비율 추정 방법을 제안한다. 마진형 신경 비율 추정을 통해 이론적 물리적 매개변수, 특히 최소 헬로 질량 절단값을 성공적으로 복원하고, 현실적인 모의 이미지를 생성함으로써, 딥러닝을 활용한 자동화되고 미분 가능한 천체물리 시뮬레이션 분석으로 향한 유망한 길을 제시한다.

ABSTRACT

High-resolution cosmological N-body simulations are excellent tools for modelling the formation and clustering of dark matter haloes. These simulations suggest complex physical theories of halo formation governed by a set of effective physical parameters. Our goal is to extract these parameters and their uncertainties in a Bayesian context. We make a step towards automatising this process by directly comparing dark matter density projection maps extracted from cosmological simulations, with density projections generated from an analytical halo model. The model is based on a toy implementation of two body correlation functions. To accomplish this we use marginal neural ratio estimation, an algorithm for simulation-based inference that allows marginal posteriors to be estimated by approximating marginal likelihood-to-evidence ratios with a neural network. In this case, we train a neural network with mock images to identify the correct values of the physical parameters that produced a given image. Using the trained neural network on cosmological N-body simulation images we are able to reconstruct the halo mass function, to generate mock images similar to the N-body simulation images and to identify the lowest mass of the haloes of those images, provided that they have the same clustering with our training data. Our results indicate that this is a promising approach in the path towards developing cosmological simulations assisted by neural networks.

연구 동기 및 목표

• 기계학습을 활용하여 천체물리학적 N-body 시뮬레이션에서 헬로 형성 매개변수를 자동으로 추론하기 위해.
• 천체물리학적 구조 형성의 시뮬레이션 기반 추론에서 고차원적이고 비가역적인 우도수를 다루는 데 도전하기 위해.
• 어둠의 물질 밀도 투영도 상에서 직접적으로 헬로 질량 함수 및 군집 성질을 재구성하기 위해.
• 전통적인 우도 계산을 회피하는, 다양한 가능성이 있는 종단 간 프레임워크를 개발하기 위해.

제안 방법

• 명시적인 우도 없이 후행 분포를 근사하기 위해 마진형 신경 비율 추정(MNRE)을 활용한다.
• 헬로 질량 함수 절단값 및 군집 강도 등 조절 가능한 매개변수를 가진 분석적 토이 헬로 모델에서 생성된 합성 이미지에 대해 신경망을 훈련시킨다.
• 헬로 군집을 시뮬레이션하기 위해 이중체 상관 함수 모델을 사용하며, 거기에 등급형 스펙트럼을 가진 가우시안 랜덤 필드를 가정한다.
• 어둠의 물질 전용 N-body 시뮬레이션 데이터(EAGLE)에 직접적으로 모델을 校정하여 이미지 통계를 일치시킨다.
• 이미지 회전을 통한 데이터 증강을 적용하여 훈련된 네트워크의 강인성과 일반화 능력을 향상시킨다.
• 모의 이미지를 생성하고 실제 시뮬레이션 출력과 비교하여 결과를 검증한다.

실험 결과

연구 질문

• RQ1 신경 비율 추정은 명시적인 우도 계산 없이도 N-body 시뮬레이션 이미지에서 최소 헬로 질량 절단값을 정확하게 추론할 수 있는가?
• RQ2 MNRE에 의해 안내된 단순한 분석적 헬로 모델이 천체물리학적 시뮬레이션에서 관측된 헬로 군집 및 질량 함수를 얼마나 잘 재현하는가?
• RQ3 입력 데이터의 구조적 변화가 있는 경우, 예를 들어 이미지 회전과 같은 변환에 대해 이 방법은 강인한가?
• RQ4 훈련된 모델이 실제 N-body 시뮬레이션 출력과 유사한 현실적인 모의 이미지를 얼마나 잘 생성할 수 있는가?
• RQ5 현재의 토이 모델이 어둠의 물질 헬로에서 비가우시안 또는 필라멘터리한 구조를 포착하는 데에 얼마나 부족한가?

주요 결과

• 모델은 높은 정확도로 헬로 질량 함수 절단값(log10 cutoff)을 재구성하였으며, 대부분의 경우 진짜 값이 1σ 및 2σ 신뢰구간 내에 포함되어 있다.
• 모델이 생성한 모의 이미지가 원본 N-body 시뮬레이션 이미지와 시각적으로 유사하여 강력한 생성 적합성(Generative Fidelity)을 보였다.
• 이미지 회전으로 인한 구조적 변화가 심했음에도 불구하고, 추론된 후행 분포는 매우 안정적이었으며, 데이터 증강에 대한 강인성을 입증했다.
• 모델은 헬로의 수를 합리적인 정확도로 복원했지만, 특히 저질량 헬로의 경우 고밀도 지역에서 일부 부족함이 드러났다.
• 현재의 토이 모델(가우시안 랜덤 필드 기반)은 비가우시안 특성(예: 필라멘터리한 구조)을 포착하는 데에 부적합함을 시사하며, 더 복잡한 군집 모델이 필요함을 시사한다.
• 계산적으로 실현 가능하며, 2000개의 헬로를 가진 이미지당 약 1초 내외로 이미지 생성이 가능하여 수천 개의 모의 시뮬레이션을 확장 가능하게 한다.