[논문 리뷰] Additional material Effort paper

Marco Bonici, Guido D’Amico외 2명|arXiv (Cornell University)|2025. 01. 08.

Galaxies: Formation, Evolution, Phenomena인용 수 6

한 줄 요약

Effort.jl은 EFTofLSS 은하 파워 스펙트럼 다극의 빠르고 미분 가능 에뮬레이터를 도입하여 그래디언트 기반 우주론 추론을 가능하게 하고, pybird와 BOSS 데이터에 대해 탁월한 일치를 보이며 검증되었습니다.

ABSTRACT

The data here include: training and validation datasets, both for the fixed and flexible redshift emulators trained emulators, both for the fixed and flexible redshift emulators, using different number of input data, different preprocessing schemes, different random seeds

연구 동기 및 목표

• EFTofLSS에 대해 자동 미분 및 그래디언트 기반 샘플러와 통합되는 빠르고 미분 가능하는 에뮬레이터를 개발한다.
• 확률 프로그래밍(Turing.jl 등)과 HMC유사 샘플러와 결합하여 LSS 분석에 대한 효율적인 베이지안 추론을 가능하게 한다.
• 에뮬레이터의 정확도를 저하시키지 않으면서 AP 효과(Abbott-Paczynski) 및 설문조사 윈도우 같은 관측 효과를 에뮬레이터 내부에서 처리한다.
• 확립된 파이프라인(pybird/CLASS/CAMB) 및 데이터 세트(PT-challenge, BOSS)와의 검증을 통해 에뮬레이터의 정확성과 신뢰성을 입증한다.
• Effort.jl을 향후 설문조사(DESI, Euclid) 및 다른 도구와의 공동 분석에 적용하기 위한 위치를 제시한다.

제안 방법

• 은하 파워 스펙트럼의 1-loop 다극을 신경망으로 에뮬레이션하는 반면 바이어스/카운터항은 해석적으로 처리하여 NN 복잡성을 줄인다.
• A_s D(z)로 비선형 항을 재스케일링하는 물리 정보 기반 전처리를 적용하여 에뮬레이터 정확도를 향상시킨다(루프 항의 경우 A_s D^2(z)).
• DifferentialEquations.jl에서 미분 가능 솔버(Tsitouras RK)를 이용해 런타임에 배경 수량(H(z), r(z), D(z), f(z))를 진화하는 방정식을 적분하여 동적으로 계산한다.
• Alcock-Paczynski 왜곡 및 설문조사 윈도우 컨볼루션과 같은 관측 효과를 미분 가능 구현으로 모델링하고, AD 친화적인 역 규칙을 갖춘 맞춤형 백워드 규칙으로 AP에 대해 적응적 가우스 구적법 혹은 Gauss-Lobatto 구적법을 사용한다.
• 확률적 프로그래밍 프레임워크(Turing.jl)와 그래디언트 기반 샘플러(NUTS, MicroCanonical Langevin MC)를 사용해 자동 미분을 활용한 우주론 추론을 수행한다.
• AP 변환에 대해 커스텀 역분화 규칙을 가진 빠르고 미분 가능 커브 인터폴레이션(스플라인 기반)을 도입하여 성능을 유지한다.
• 벤치마크 성능은 다극 평가당 약 15 마이크로초이며, pybird, CLASS/CAMB 및 BOSS/PT-challenge 데이터 세트와의 검증에서 신뢰할 수 있는 결과를 보여준다.

Figure 1 : Comparison of the growth rate $f(z)$ as computed by CLASS and Effort.jl . The two codes have a remarkably good agreement, with differences smaller than $1\%$ over the entire redshift range considered.

실험 결과

연구 질문

• RQ1 Effort.jl이 전통적 파이프라인(pybird, CLASS/CAMB)과 비교해 광범위한 매개변수 공간에서 EFTofLSS 은하 파워 스펙트럼 다극을 얼마나 정확하게 재현할 수 있는가?
• RQ2 물리 정보 기반의 전처리(A_s D(z) 재스케일링)가 에뮬레이터 잔차를 크게 줄이고 정확도를 잃지 않으면서 더 작은 신경망을 허용하는가?
• RQ3 Effort.jl이 AP 및 윈도우 효과를 처리하는 것을 포함해 LSS 분석에 대해 효율적인 그래디언트 기반 베이지안 추론과 최적화를 지원할 수 있는가?
• RQ4 대규모 용량의 시뮬레이션을 포함한 현재(BOSS) 및 미래(DESI, Euclid) 데이터 세트에 적용했을 때 에뮬레이터의 성능과 신뢰성은 어떠한가?
• RQ5 특정 구성요소(AP 처리, 배경 수량 계산)가 종단 간 추론의 정확도 및 그래디언트 전파에 어떤 영향을 미치는가?

주요 결과

• 에뮬레이터가 EFTofLSS에서 1-loop 다극의 파워 스펙트럼을 약 15 마이크로초의 평가당 시간으로 계산한다.
• 대규모 용량 시뮬레이션 및 BOSS 데이터에서 Effort.jl은 전통적 파이프라인과 탁월한 일치를 보이고, 편차는 몬테카를로 잡음과 일치한다.
• AP 관련 그래디언트 계산은 스플라인 보간을 재구현하고 맞춤형 역 규칙을 추가함으로써 그래디언트 시간를 약 100 ms에서 약 0.2 ms로 가속화했다.
• Effort.jl을 사용한 성장률 계산은 도전적인 우주론(대질량 중성미자, w(z)의 극단적 경우)에서도 테스트된 적색편차 범위에서 CLASS보다 1% 이내의 일치를 보인다.
• A_s D^2(z) (및 A_s D(z))를 사용하는 물리 정보 기반 전처리 전략이 잔차를 크게 개선하여, 작은 신경망으로도 높은 정확도를 가능하게 한다.
• 대수 미분 방식의 성장인자 계산을 ~200 ns 평가 및 대부분의 매개변수 범위에서 ~0.1% 정확도로 대체할 수 있는 기호적 회귀가 전처리 속도를 더 높이면서도 정확도를 잃지 않도록 한다.

Figure 2 : 95% distribution of the percentage errors. We show the impact of the different rescaling schemes employed. The dot-dashed and solid lines refers respectively to a training dataset with 20,000 and 60,000 elements. As can be seen, a bigger dataset helps in enhancing the performance, but the