[论文解读] Estimating Cosmological Parameters from the Dark Matter Distribution

Siamak Ravanbakhsh, Junier B. Oliva+5 more|arXiv (Cornell University)|Nov 6, 2017

Galaxies: Formation, Evolution, Phenomena参考文献 36被引用 17

一句话总结

本文提出使用三维卷积神经网络与分布回归，直接从暗物质模拟中估计宇宙学参数，性能与传统基于似然的方法相当或更优。该方法利用体素数据提取高阶相关性，在宇宙学参数范围较窄的模拟宇宙中显著提升了参数估计的准确性。

ABSTRACT

A grand challenge of the 21st century cosmology is to accurately estimate the cosmological parameters of our Universe. A major approach to estimating the cosmological parameters is to use the large-scale matter distribution of the Universe. Galaxy surveys provide the means to map out cosmic large-scale structure in three dimensions. Information about galaxy locations is typically summarized in a "single" function of scale, such as the galaxy correlation function or power-spectrum. We show that it is possible to estimate these cosmological parameters directly from the distribution of matter. This paper presents the application of deep 3D convolutional networks to volumetric representation of dark-matter simulations as well as the results obtained using a recently proposed distribution regression framework, showing that machine learning techniques are comparable to, and can sometimes outperform, maximum-likelihood point estimates using "cosmological models". This opens the way to estimating the parameters of our Universe with higher accuracy.

研究动机与目标

• 开发一种机器学习框架，直接从暗物质的三维分布中估计宇宙学参数，绕过传统的汇总统计量（如功率谱或相关函数）。
• 评估深度学习模型在模拟大尺度结构中参数推断方面是否能优于或匹配标准的最大似然估计技术。
• 证明在宇宙学N体模拟上应用体素深度学习以高保真度提取宇宙学信息的可行性。
• 探索通过随机厨房方案特征实现从分布到实数的回归，以提供高效且可扩展的宇宙学参数估计方法。
• 为将此类模型应用于真实星系巡天数据奠定基础，其中可见物质以偏置方式追踪潜在的暗物质分布。

提出的方法

• 该方法采用三维卷积神经网络（3D conv-nets）处理来自N体模拟的体素暗物质密度场，捕捉跨尺度的空间相关性。
• 模型在具有不同宇宙学参数（包括Ωₘ和σ₈）的模拟暗物质立方体上进行训练，参数范围围绕普朗克估计值的窄区间。
• 采用分布回归框架，将函数型观测（暗物质分布）通过随机特征嵌入映射到实值宇宙学参数。
• 随机厨房方案将暗物质分布投影到使用余弦基函数和随机权重的高维特征空间，实现高效的线性回归。
• 对投影特征应用岭回归以估计宇宙学参数，超参数（带宽δ和正则化λ）通过交叉验证选择。
• 在50个测试立方体和130个保留的快照上评估模型性能，通过均方误差和与真实参数的相关性进行评估。

实验结果

研究问题

• RQ1 深度3D卷积网络能否在不使用汇总统计量的情况下，直接从完整的3D暗物质分布中准确推断宇宙学参数？
• RQ2 基于深度学习的估计性能与使用功率谱或相关函数的传统最大似然估计相比如何？
• RQ3 卷积特征在多大程度上捕捉了高阶相关性，从而提升参数估计的精度？
• RQ4 使用随机厨房方案特征的从分布到实数的回归能否提供一种高效且可扩展的全似然推断替代方案？
• RQ5 这些模型在模拟设置和噪声变化下有多稳健？能否泛化到真实星系巡天数据？

主要发现

• 3D卷积神经网络模型在参数估计精度上与传统基于似然的方法相当，甚至在某些情况下更优，后者使用功率谱作为汇总统计量。
• 模型在参数估计中表现出较低方差，特别是在使用暗物质分布的小尺度子立方体训练时，表明其有效捕捉了高阶相关性。
• 在50个测试立方体上验证了性能，预测值与真实Ωₘ和σ₈值之间具有强相关性，证实了模型在窄参数范围内的泛化能力。
• 使用分布回归与随机厨房方案特征实现了高效计算和可扩展推断，模型参数向量维度达20,000。
• 该方法在不同模拟快照和子立方体分辨率下表现出鲁棒性，表明其在真实星系巡天数据中应用的潜力。
• 结果表明，在某些参数区域，深度学习能比压缩的汇总统计量更有效地从原始暗物质分布中提取宇宙学信息。