[论文解读] A new model to predict weak-lensing peak counts III. Filtering technique comparisons

Chieh-An Lin, M. Kilbinger+1 more|arXiv (Cornell University)|Mar 22, 2016

Galaxies: Formation, Evolution, Phenomena参考文献 85被引用 13

一句话总结

本文比较了弱引力透镜峰值计数的滤波技术，以优化宇宙学参数约束。基于一种快速随机模型，该模型考虑了真实的观测效应，发现星let小波滤波结合多尺度分离的峰值计数方法，其约束精度优于高斯滤波或合并尺度的方法，在提取宇宙学信息方面优于线性和非线性滤波方法。

ABSTRACT

This is the third in a series of papers that develop a new and flexible model to predict weak-lensing (WL) peak counts, which have been shown to be a very valuable non-Gaussian probe of cosmology. In this paper, we compare the cosmological information extracted from WL peak counts using different filtering techniques of the galaxy shear data, including linear filtering with a Gaussian and two compensated filters (the starlet wavelet and the aperture mass), and the nonlinear filtering method MRLens. We present improvements to our model that account for realistic survey conditions, which are masks, shear-to-convergence transformations, and non-constant noise. We create simulated peak counts from our stochastic model, from which we obtain constraints on the matter density $Ω_\mathrm{m}$, the power spectrum normalisation $σ_8$, and the dark-energy parameter $w_0$. We use two methods for parameter inference, a copula likelihood, and approximate Bayesian computation (ABC). We measure the contour width in the $Ω_\mathrm{m}$-$σ_8$ degeneracy direction and the figure of merit to compare parameter constraints from different filtering techniques. We find that starlet filtering outperforms the Gaussian kernel, and that including peak counts from different smoothing scales helps to lift parameter degeneracies. Peak counts from different smoothing scales with a compensated filter show very little cross-correlation, and adding information from different scales can therefore strongly enhance the available information. Measuring peak counts separately from different scales yields tighter constraints than using a combined peak histogram from a single map that includes multiscale information. Our results suggest that a compensated filter function with counts included separately from different smoothing scales yields the tightest constraints on cosmological parameters from WL peaks.

研究动机与目标

• 评估并比较不同滤波技术应用于弱引力透镜峰值计数时的宇宙学信息含量。
• 改进弱引力透镜峰值计数的随机模型，以包含真实观测效应，如掩膜、噪声和剪切到汇聚变换。
• 确定与单尺度或合并尺度方法相比，使用补偿滤波器进行多尺度峰值计数分析是否能增强宇宙学参数约束。
• 在峰值计数统计的背景下，比较基于似然和近似贝叶斯计算（ABC）的推断方法。
• 基于约束轮廓宽度和信息量指标（FoM），建立标准化的滤波技术比较框架，而非基于纯净度或完整性。

提出的方法

• 采用快速随机正向建模方法，在包含非均匀掩膜、非恒定噪声和剪切到汇聚变换的真实观测条件下模拟弱引力透镜峰值计数。
• 应用四种滤波技术：高斯核、星let小波（一种补偿滤波器）、孔径质量（另一种补偿滤波器）以及非线性MRLens方法。
• 采用两种推断方法：对称克列夫（copula）似然近似和近似贝叶斯计算（ABC），两者均用于推导Ωₘ、σ₈和w₀^de的后验约束。
• 采用两种峰值计数分析策略：'合并'策略（单张图中包含多尺度信息）和'分离'策略（每种尺度单独生成直方图，合并为单一数据向量）。
• 通过Ωₘ–σ₈退化平面中的轮廓宽度和信息量指标（FoM）量化性能，比较不同滤波方法在宇宙学约束精度上的表现。
• 通过比较ABC与似然约束验证结果，并使用线性近似量化w₀^de与Ωₘ、σ₈之间的退化关系。

实验结果

研究问题

• RQ1 不同滤波技术（高斯、星let小波、孔径质量、MRLens）如何影响弱引力透镜峰值计数对宇宙学参数的约束？
• RQ2 将峰值计数按平滑尺度分离是否能获得比合并为单一多尺度直方图更紧的约束？
• RQ3 补偿滤波器（如星let和孔径质量）在提取宇宙学信息方面是否比非补偿滤波器（如高斯）更有效？
• RQ4 在本研究背景下，推断方法的选择（似然 vs. ABC）如何影响宇宙学约束的精度？
• RQ5 来自不同尺度的峰值计数相关性如何？这种相关性如何影响多尺度分析中的信息增益？

主要发现

• 星let小波滤波在约束宇宙学参数方面优于高斯核滤波，因其具有带通特性和多尺度敏感性，从而获得更紧的约束。
• 按尺度分离峰值计数并将其合并为单一数据向量，可显著获得比将所有尺度信息合并到单张图中更紧的约束。
• 使用补偿滤波器（星let和孔径质量）在不同平滑尺度上的峰值计数表现出极低的交叉相关性，从而实现无冗余的信息叠加。
• 采用补偿滤波器的分离尺度策略实现了最紧的约束，其中星let小波在所有测试方法中表现最佳。
• 信息量指标（FoM）在星let小波结合分离尺度计数时最高，表明其在宇宙学信息提取方面优于其他滤波方法与策略组合。
• 该模型成功考虑了真实观测效应，如掩膜、非恒定噪声和剪切到汇聚变换，提升了真实性，同时未牺牲计算效率。