[論文レビュー] Cosmology from Galaxy Redshift Surveys with PointNet

Sotiris Anagnostidis, Arne Thomsen+5 more|arXiv (Cornell University)|Nov 22, 2022

Galaxies: Formation, Evolution, Phenomena被引用数 4

ひとこと要約

この論文では、銀河赤方偏移サーベイデータから宇宙論的パラメータを直接回帰するため、PointNetに基づく深層学習モデルの使用を提案している。銀河の位置を順列不変な点群として扱う。10⁴〜10⁵個の銀河を含むシミュレーテッドサーベイにおいて、非ガウス的構造を捉え、ハロー質量などの追加特徴を自然に組み込むことで、従来の2点相関統計を上回る最先端の性能を達成し、特にσ₈のパrameter制約が向上する。

ABSTRACT

In recent years, deep learning approaches have achieved state-of-the-art results in the analysis of point cloud data. In cosmology, galaxy redshift surveys resemble such a permutation invariant collection of positions in space. These surveys have so far mostly been analysed with two-point statistics, such as power spectra and correlation functions. The usage of these summary statistics is best justified on large scales, where the density field is linear and Gaussian. However, in light of the increased precision expected from upcoming surveys, the analysis of -- intrinsically non-Gaussian -- small angular separations represents an appealing avenue to better constrain cosmological parameters. In this work, we aim to improve upon two-point statistics by employing a extit{PointNet}-like neural network to regress the values of the cosmological parameters directly from point cloud data. Our implementation of PointNets can analyse inputs of $\mathcal{O}(10^4) - \mathcal{O}(10^5)$ galaxies at a time, which improves upon earlier work for this application by roughly two orders of magnitude. Additionally, we demonstrate the ability to analyse galaxy redshift survey data on the lightcone, as opposed to previously static simulation boxes at a given fixed redshift.

研究の動機と目的

• 従来の2点相関統計に代わる、点群データに対する深層学習を用いて、銀河赤方偏移サーベイからの宇宙論的パラメータ推定を改善すること。
• 10⁴〜10⁵個の銀河を含む大規模銀河サーベイの解析を可能にし、先行する深層学習手法の制限を克服すること。
• 手動チューニングを必要とせず、ハロー質量のような物理的特徴をモデルに直接組み込み、情報抽出を強化すること。
• ライトコーン解析の実現可能性を示すことにより、静的な赤方偏移スライスシミュレーションを超えること。
• PointNetが、Ωₘ や σ₈ のような宇宙論的パラメータを制約する際に、標準的な2点相関関数を上回ることを示すこと。

提案手法

• モデルは、3次元銀河位置を順列不変な点群として処理するPointNetに類似したアーキテクチャを用い、共有された多層パーセプトロンとマックスプーリングを通じてグローバル特徴を学習する。
• 銀河位置に加え、ハローのバリアル質量のような追加物理的特徴が入力層に供給され、回帰性能の向上を図る。
• ネットワークは、シミュレーテッド銀河分布から宇宙論的パラメータ（Ωₘ、σ₈、w、h）を直接回帰するように訓練され、平均二乗誤差損失関数が使用される。
• 赤方偏移依存の空間的分布を処理できるようにすることで、ライトコーン幾何学をサポートし、サーベイデータの現実的なシミュレーションを可能にする。
• パラメータの事後分布は、PointNet回帰器と2点相関統計圧縮機を用いた条件付き密度推定により推定される。
• モデルはスケーラブルであり、大規模データセットを処理できるように設計されており、マルチGPUシステムを用いて10⁶個の銀河への拡張が可能である。

実験結果

リサーチクエスチョン

• RQ1 PointNetベースのモデルは、銀河赤方偏移サーベイからの宇宙論的パラメータ制約において、従来の2点相関統計を上回ることができるか？
• RQ2 ハロー質量を特徴として含めることで、PointNetモデルの宇宙論的パラメータ回帰性能にどのような影響を与えるか？
• RQ3 PointNetは、10⁴〜10⁵個の銀河を含む大規模銀河サーベイをどの程度処理できるか？また、ハードウェアに伴うスケーリング特性はいかなるものか？
• RQ4 PointNetは、2点相関統計が捉えられない銀河分布の非ガウス的構造を効果的に学習できるか？
• RQ5 静的な赤方偏移スライスシミュレーションと比較して、ライトコーンデータでのモデルの性能はいかがなものか？

主な発見

• PointNetモデルは、2点相関関数と比較して、特にσ₈において顕著に低い平均二乗誤差（MSE）を達成した。
• ハロー質量を特徴として含めることで、外れ値の予測が減少したが、(Ωₘ, σ₈)の事後分布のサイズを小さくする効果は限定的であった。
• モデルは10⁴〜10⁵個の銀河点群を正常に処理でき、このタスクへの先行する深層学習応用と比較して、2桁の改善が達成された。
• PointNetモデルは、2点相関統計が感度を欠く銀河分布の非ガウス的特徴を捉えており、結果としてパラメータ制約が向上した。
• 条件付き密度推定の結果、PointNeXtは2点相関統計よりも、特にσ₈においてよりきつい事後分布を生成した。
• この手法は、将来的に銀河の明るさや色といった追加物理的特徴を自然に組み込むことが可能であり、より大きなデータセットへの拡張も可能である。