[论文解读] Emulation of SPHEREx Galaxy Power Spectra I: Neural Network Details and Optimization

Joseph Adamo, Grace Gibbins+2 more|arXiv (Cornell University)|Mar 16, 2026

Galaxies: Formation, Evolution, Phenomena被引用 0

一句话总结

本文开发了 MENTAT-LSS，一种神经网络仿真器，可对多个追踪器和多红shift bin 快速预测 SPHEREx 类星系功率谱在红移空间中的多极项，达到对比精确 EFT 计算约 900 倍的加速，同时在似然分析中保持高准确性。

ABSTRACT

We present neural networks to generate redshift-space galaxy power spectrum multipoles for multiple tracer and redshift bins simultaneously given a set of input cosmology and galaxy bias parameters. This emulator utilizes a combination of fully-connected layers and transformer architecture to accurately predict galaxy power spectrum multipoles $900$ times faster than the SPHEREx pipeline. We quantify network performance using both $Δχ^2$, and likelihood contours for simulated SPHEREx analyses, using two correlated tracer bins and two independent redshift bins. After optimizing network architecture, the loss function, and training set sampling strategy, we achieve $\operatorname{Med}\left( Δχ^2 ight) = 0.069$ when comparing to our testing set. At the contour-level our emulator agrees with EFT predictions over a realistic parameter range, with an average 1D best-fit shift of $0.078σ$ and $0.82 \%$ change in 1D error bars. These results demonstrate the feasibility of using neural-network emulators to accelerate SPHEREx redshift-space power-spectrum analyses.

研究动机与目标

• 促成对 SPHEREx 类星系功率谱分析的快速探索，以约束原始非高斯性 f_NL。
• 开发一个基于神经网络的仿真器，能够同时输出多个追踪器和多个红shift bin 的多极项。
• 在 Eulerian EFT 预测和模拟似然分析中量化仿真器的准确性。
• 研究训练数据策略和网络超参数，以优化性能与稳定性。

提出的方法

• 使用全连接 (MLP) 模块与 Transformer 编码器的组合来预测单极项和方极项。
• 为给定追踪器和红shift bin 的每个自相关/互相关功率谱分配独立网络，然后连接输出以形成完整的多追踪向量。
• 训练网络以最小化仿真输出与 EFT 预测之间的 Delta-chi^2，采用带学习率调度与早停的 Adam 优化。
• 通过将训练数据转换到协方差对角化基底来 whiten 数据以稳定学习，同时在重新缩放之前输出完整的多极项。

实验结果

研究问题

• RQ1 神经网络仿真器是否能够在多追踪器、多红shift bin 的情况下，以亚百分比精度重现 SPHEREx 风格 EFT 的红移空间星系功率谱多极项？
• RQ2 训练数据采样策略与超参数如何影响仿真器在多追踪、多 Bin 分析中的性能和泛化？
• RQ3 在模拟的似然分析中，仿真器是否能保持与直接 EFT 计算相比的后验约束和贝叶斯证据？
• RQ4 在多追踪场景中，包含反项与随机项对仿真器准确性有何影响？

主要发现

• 所有 bin 的中位 Delta-chi^2 为 0.069，表明在测试集上具有较高的准确性。
• 单独子网络在某些 bin 的 Delta-chi^2 可达 1e-2 或 1e-3，整体高度一致。
• 多追踪设置中仿真器与解析等高线之间的平均一维最优拟合位移为 0.078 sigma，单追踪测试约为 0.057 sigma。
• 两追踪器情形下 68% 可信区间的平均绝对变化为 0.82%，在没有完整的 nuisance 参数时也表现出鲁棒的不确定性恢复。
• 仿真器输出所有多极项的时间约为 2.2 ms（每追踪器/ bin 约 0.37 ms），在相同硬件上比完整 EFT 计算快约 900 倍。
• 对训练数据进行 hypersphere 抽样在 Delta-chi^2 性能上比拉丁超立方取样提升约 100x–1000x，性能随样本量呈幂律关系（Med(Δχ_tot^2) ≈ A N_sample^{-x}）。
• 相对于解析运行的贝叶斯证据差异在简单设置中较小（单追踪 Δ log Z ≈ -0.0601；多追踪约 0.78）。
• 在使用 symbolic_pofk 对某些项进行的大型多 Bin 分析中，偏差增大，表明在复杂设置中需要更准确地处理 counterterms。