[논문 리뷰] A Hierarchy of Normalizing Flows for Modelling the Galaxy-Halo Relationship

Christopher C. Lovell, Sultan Hassan외 9명|arXiv (Cornell University)|2023. 07. 13.

Metaheuristic Optimization Algorithms Research인용 수 5

한 줄 요약

이 논문은 CAMELS 유체역학 시뮬레이션을 사용하여 우주론적 및 천체물리적 파rameter에 조건부로 은하와 은하단 속성의 연합 분포를 학습하는 계층적 정규화 흐름 모델을 소개한다. 정확한 밀도 추정과 효율적인 샘플링을 가능하게 함으로써, 모델은 자율적인 은하-은하단 관계를 생성하고 부수적 변수에 대한 근사화를 통해 파rameter 의존성을 정량화한다.

ABSTRACT

Using a large sample of galaxies taken from the Cosmology and Astrophysics with MachinE Learning Simulations (CAMELS) project, a suite of hydrodynamic simulations varying both cosmological and astrophysical parameters, we train a normalizing flow (NF) to map the probability of various galaxy and halo properties conditioned on astrophysical and cosmological parameters. By leveraging the learnt conditional relationships we can explore a wide range of interesting questions, whilst enabling simple marginalisation over nuisance parameters. We demonstrate how the model can be used as a generative model for arbitrary values of our conditional parameters; we generate halo masses and matched galaxy properties, and produce realisations of the halo mass function as well as a number of galaxy scaling relations and distribution functions. The model represents a unique and flexible approach to modelling the galaxy-halo relationship.

연구 동기 및 목표

• 잠재 변수에서 기인하는 내재 산란을 포괄하는 비결정론적이고 생성적인 은하-은하단 연결 모델을 개발하기 위해.
• 우주론적 및 천체물리적 파rameter에 조건부로 은하 및 은하단 속성의 연합 다변량 분포를 모델링하기 위해.
• 은하 형성 시뮬레이션에서 부수적 파rameter에 대한 효율적 샘플링과 근사화를 가능하게 하기 위해.
• 모델이 다양한 파rameter 세트에서 핵심 스케일링 관계와 분포 함수를 재현할 수 있는지를 입증하기 위해.
• N-체 시뮬레이션에서 기반 기반 추론과 빠른 은하 속성 생성을 위한 유연한 프레임워크를 제공하기 위해.

제안 방법

• 모델은 은하 및 은하단 속성 x와 우주론적 및 천체물리적 파ram터 z를 조건으로 하는 조건부 확률 분포 p(x|z)를 학습하기 위해 계층적 정규화 흐름(NFs)을 사용한다.
• 각 흐름 레이어는 신경 스퍼링 플로우 기반의 커파링 레이어를 사용하는 역행성 신경망을 활용하여 기저 정규분포에서 정확한 우도 추정과 이항 변환을 가능하게 한다.
• 모델은 6차원 조건부 파ram터(Ωm, σ8, ASN1, ASN2, AAGN1, AAGN2)와 타겟 변수(Mh, M⋆, Mgas, M•, SFR)를 사용하여 CAMELS Simba 시뮬레이션 세트에서 훈련된다.
• 계층은 세 가지 흐름으로 구성된다: 하위은하단 수를 위한 집합 빈도 흐름, 은하단 질량 분포를 위한 은하단 흐름, 그리고 연합 은하 속성 분포를 위한 은하 흐름.
• 과적합을 방지하기 위해 훈련 중에 조기 정지와 검증 기반 체크포인트 기법을 사용한다.
• 조건부 생성은 특정 z 파ram터를 사용하여 기저 분포에서 샘플링하고 학습된 역변환을 적용하여 달성된다.

Figure 1: High level diagram of the model. The distribution of the conditional cosmological and astrophysical parameters is shown at the top. The abundance , halo and galaxy flows are shown below. The arrows highlight the direction of conditional dependence, as well as the mapping from each simple b

실험 결과

연구 질문

• RQ1 다양한 우주론적 및 천체물리적 파arameter에 걸쳐 계층적 정규화 흐름 모델이 은하단 질량 함수와 은하 스케일링 관계를 얼마나 잘 재현할 수 있는가?
• RQ2 고정된 은하단 질량에서 은하 속성의 내재 산란을 고려하여, 랜덤성 있는 피드백 과정을 어떻게 포괄하는가?
• RQ3 우주론적 파arameter(예: Ωm)와 천체물리적 피드백 강도(예: ASN1)의 변화가 예측된 은하-은하단 관계에 어떤 영향을 미치는가?
• RQ4 모델이 관측된 관계와 일치하는 자율적이고 다차원적인 은하 속성 분포를 생성할 수 있는가?
• RQ5 추론 또는 생성적 샘플링 중에 모델이 부수적 파arameter를 얼마나 효과적으로 근사화하는가?

주요 결과

• 모델은 50개 실현의 산란 내에서 은하단 질량 함수를 성공적으로 재현하였으며, 다양한 파arameter 세트에서 정규화와 형태가 정확하게 유지된다.
• 집합 빈도 흐름과 은하단 흐름에서 생성된 은하단에서 유래한 은하 성간 질량 함수(GSMF)는 진짜 시뮬레이션 분포와 일치하여 정확하게 복원된다.
• 우주론적 이론에 따르면 예상되는 바와 같이, Ωm와 은하단 및 은하 질량 함수의 정규화 사이에 강한 정의 상관관계를 포착한다.
• 은하 형성 시퀀스, 성간 질량 대 가스 질량 관계, 블랙홀 질량 관계, 성간 질량 대 은하단 질량 관계 등 모든 관계가 파arameter 변화에 걸쳐 일관되게 재현된다.
• 모델은 파arameter 변화에 대해 강건성을 보이며, 예측된 관계에서 ASN1, ASN2 및 Ωm에 대한 명확하고 물리적으로 타당한 의존성을 보여준다.
• 계층적 구조는 은하 및 은하단 속성의 일관된 연합 샘플링을 가능하게 하여 개별 관계를 별도로 모델링할 필요 없이 다차원 상관관계를 유지한다.

Figure 2: An example of the model predictions when used as a generative model for haloes and galaxies, for fixed and varying parameters. The top row shows the halo mass function (HMF), the second row the galaxy stellar mass function, the third row the star forming sequence, the fourth row the stella