[论文解读] Bayesian Simulation-based Inference for Cosmological Initial Conditions

Florian List, Noemi Anau Montel+1 more|arXiv (Cornell University)|Oct 30, 2023

Reservoir Engineering and Simulation Methods被引用 5

一句话总结

本文提出了一种基于贝叶斯模拟推断的框架，结合神经比值估计、自回归建模和通过精确数据增强实现的吉布斯采样，从晚期密度场重建宇宙学初始条件。该方法利用不可微的正向模拟器高效地从后验分布采样，并在笔记本电脑GPU上实现了快速推理，准确重建大尺度结构。

ABSTRACT

Reconstructing astrophysical and cosmological fields from observations is challenging. It requires accounting for non-linear transformations, mixing of spatial structure, and noise. In contrast, forward simulators that map fields to observations are readily available for many applications. We present a versatile Bayesian field reconstruction algorithm rooted in simulation-based inference and enhanced by autoregressive modeling. The proposed technique is applicable to generic (non-differentiable) forward simulators and allows sampling from the posterior for the underlying field. We show first promising results on a proof-of-concept application: the recovery of cosmological initial conditions from late-time density fields.

研究动机与目标

• 解决从非线性、非局部且含噪声的晚期观测中重建宇宙学初始条件的挑战。
• 克服传统方法依赖可微分正向模型或假设高斯似然的局限性。
• 通过模拟推断和自回归建模，实现在高维场推断中高效后验采样。
• 开发一种可扩展、通用的框架，适用于宇宙学以外的图像和场重建问题。
• 证明将SBI与精确数据增强结合用于复杂非线性逆问题后验采样的可行性。

提出的方法

• 通过将初始场像素值视为待推断的参数，将场重建问题建模为参数推断问题。
• 使用神经比值估计（NRE）估计像素级似然比，无需显式计算似然，从而通过分类实现后验近似。
• 通过分割观测空间并利用摘要统计量建模条件依赖关系，实现联合似然估计的自回归分解。
• 引入局部自适应摘要统计量 $\bm{s}_i(\bm{x})$ 和可学习的自回归函数 $\bm{L}$，以捕捉数据中的空间相关性。
• 采用基于精确数据增强（GEDA）的吉布斯采样算法，利用温度后验和对角精度矩阵，从完整联合后验 $p(\bm{z}|\bm{x}_o)$ 中抽取后验样本。
• 在GEDA采样过程中引入目标场的功率谱作为先验约束，提升小尺度重建保真度。

Figure 1: Reconstruction of cosmological initial conditions in 2D. Top left: True initial density ${\bm{z}}_{o}$ . Bottom left : True observation ${\bm{x}}_{o}$ , i.e. the (logarithm of the) late-time density evolved from the initial conditions ${\bm{z}}_{o}$ , corrupted by uncorrelated Gaussian noi

实验结果

研究问题

• RQ1 模拟推断能否有效扩展至高维场重建问题，如宇宙学初始条件恢复？
• RQ2 在不可微模拟器存在的非线性、非局部逆问题中，自回归建模在后验估计方面有何改进作用？
• RQ3 通过摘要统计量和自回归依赖关系引入空间结构，在多大程度上提升了重建精度？
• RQ4 精确数据增强能否在高维场推断任务中实现快速且无偏的后验采样？
• RQ5 局部摘要统计量和自回归结构的选择如何影响后验样本的质量与收敛性？

主要发现

• 即使正向模拟器不可微且非线性，该方法仍能以高保真度重建宇宙学初始条件的大尺度结构。
• 后验样本的功率谱与真实初始场一致，尤其在小尺度和中等尺度上，得益于先验精度矩阵中固定功率谱的引入。
• 使用300步GEDA，每样本后验采样耗时不足1秒，且在笔记本电脑GPU上MAP估计在3秒内完成。
• 仅用1,000对模拟数据 $(\bm{x}, \bm{z})$ 训练15个周期，耗时约3分钟，表明计算成本低且样本效率高。
• 在不同自回归上下文大小 $\gamma$ 下方法保持鲁棒，$\gamma = 0.5$ 时观察到统计效能与无偏性之间的权衡。
• 由于仅依赖模拟访问，该框架可推广至其他图像和场重建问题，包括涉及非物理模拟器的问题。