[논문 리뷰] Modeling assembly bias with machine learning and symbolic regression

Digvijay Wadekar, Francisco Villaescusa-Navarro외 2명|arXiv (Cornell University)|2020. 11. 30.

Image Processing and 3D Reconstruction참고 문헌 103인용 수 15

한 줄 요약

이 논문은 IllustrisTNG 유체역학 시뮬레이션을 사용하여 헬름 중성수소(H i) 함량의 조립 편향을 모델링하기 위한 기계학습 프레임워크를 제안한다. 환경적 의존성—특히 헬름 질량 이외의 요소—이 H i 파wer 스펙트럼에 상당한 영향을 미친다는 것을 입증한다. 기호적 회귀와 랜덤 포레스트를 조합함으로써 저자들은 모의 카탈로그 정확도를 향상시키는 해석 가능한 해석식을 유도하였으며, 환경 효과를 忽시할 경우 k ≳ 0.05 h Mpc⁻¹ 에서 21cm 파워 스펙트럼의 과소예측을 10% 이상 감소시킨다.

ABSTRACT

Upcoming 21cm surveys will map the spatial distribution of cosmic neutral hydrogen (HI) over unprecedented volumes. Mock catalogues are needed to fully exploit the potential of these surveys. Standard techniques employed to create these mock catalogs, like Halo Occupation Distribution (HOD), rely on assumptions such as the baryonic properties of dark matter halos only depend on their masses. In this work, we use the state-of-the-art magneto-hydrodynamic simulation IllustrisTNG to show that the HI content of halos exhibits a strong dependence on their local environment. We then use machine learning techniques to show that this effect can be 1) modeled by these algorithms and 2) parametrized in the form of novel analytic equations. We provide physical explanations for this environmental effect and show that ignoring it leads to underprediction of the real-space 21-cm power spectrum at $k\gtrsim 0.05$ h/Mpc by $\gtrsim$10\%, which is larger than the expected precision from upcoming surveys on such large scales. Our methodology of combining numerical simulations with machine learning techniques is general, and opens a new direction at modeling and parametrizing the complex physics of assembly bias needed to generate accurate mocks for galaxy and line intensity mapping surveys.

연구 동기 및 목표

• 헬름의 H i 함량이 질량 이외의 보조 헬름 성질—특히 국소 환경—에 어떻게 의존하는지 조사한다.
• 고정밀 유체역학 시뮬레이션에서 복잡한 비선형 조립 편향 효과를 포괄하는 기계학습 접근법을 개발한다.
• 기호적 회귀를 통해 시뮬레이션 데이터에서 유추된 해석 가능한 해석식을 도출하여, 대규모 모의 카탈로그 생성에 효율적으로 활용할 수 있도록 한다.
• 환경적 조립 편향을 忽시할 경우 21cm 파워 스펙트럼에 미치는 영향을 정량화하며, 기존 HOD 모델에서의 체계적 오차를 입증한다.
• 시뮬레이션-기계학습 통합을 통해 은하 및 강도 매핑 설문 조사에서 조립 편향을 일반화 가능한 방법론으로 모델링하는 데 기여한다.

제안 방법

• H i 질량, 질량, 환경(δ₂.₅), 농도, 스핀, 및 보조헬름 질량 비율을 포함한 헬름 성질을 IllustrisTNG 시뮬레이션에서 추출한다.
• 랜덤 포레스트 회귀를 적용하여, 실제 H i 질량과 HOD에 의해 예측된 H i 질량의 비율을 보조 헬름 성질의 함수로 모델링한다.
• PySR를 통해 기호적 회귀를 수행하여, 과적합을 방지하기 위해 덧셈과 곱셈 연산자만을 사용하는 간결한 해석 가능한 해석식을 도출한다.
• 전물리(FP) 시뮬레이션 데이터에 기반해 HOD 모델을 校정하고, 질량 불일치 영향을 평가하기 위해 암흑물질만의(DMO) N-체 시뮬레이션에서 성능을 테스트한다.
• 진짜 H i 파워 스펙트럼과 비교하여 예측값을 검증하며, 질량 전용 HOD, 기계학습 강화 모델, 시뮬레이션 결과를 대조한다.
• 기호적 회귀의 가능성을 높이기 위해 핵심 보조 매개변수(예: 환경, 보조헬름 비율)를 선택하여 고차원 입력 공간을 축소한다.

실험 결과

연구 질문

• RQ1 어떤 국소 환경에서 헬름의 H i 함량이 질량 이외의 요소에 따라 어떻게 달라지는가?
• RQ2 랜덤 포레스트 및 기호적 회귀와 같은 기계학습 모델이 이 환경적 의존성을 정확하게 포착하고 매개변수화할 수 있는가?
• RQ3 환경적 조립 편향을 忽시할 경우 대규모 설문 조사에서 21cm 파워 스펙트럼에 미치는 정량적 영향은 무엇인가?
• RQ4 기호적 회귀가 기존 HOD 모델보다 조립 편향을 더 효과적으로 모델링할 수 있는 단순하고 해석 가능한 해석식을 도출할 수 있는가?
• RQ5 헬름 질량이 불일치하는 DMO 시뮬레이션에 적용했을 때, 기계학습 기반 모의 데이터의 성능은 기존 HOD 모델과 비교해 어떻게 되는가?

주요 결과

• IllustrisTNG의 헬름에서 H i 함량은 국소 환경(δ₂.₅)에 강한 의존성을 보이며, 높은 과밀도 지역일수록 H i 질량이 증가한다.
• 보조 헬름 성질에 기반한 랜덤 포레스트 모델은 질량 전용 HOD 대비 k ≳ 0.05 h Mpc⁻¹ 에서 H i 파워 스펙트럼 예측의 불일치를 최대 약 10%까지 감소시킨다.
• 기호적 회귀는 환경과 보조헬름 비율의 함수로 H i 질량 비율을 모델링하는 간결한 해석식(예: 식 6)을 성공적으로 도출하였으며, 이는 모의 정확도를 향상시킨다.
• 환경적 조립 편향을 忽시할 경우 실공간 21cm 파워 스펙트럼이 k ≳ 0.05 h Mpc⁻¹ 에서 10% 이상 과소예측되며, 향후 설문 조사의 기대 정밀도를 초과한다.
• 전물리 시뮬레이션에 기반해 校정된 HOD 모델은 헬름 질량 불일치로 인해 DMO 시뮬레이션에 적용했을 때 성능이 크게 떨어지며, 이는 환경 인식 보정의 필요성을 강조한다.
• 기호적 회귀로 도출된 해석식은 시뮬레이션 데이터와 강한 일치를 보이며 잔차가 기대되는 산란 범위 내에 있어 물리적 의미와 예측 능력을 검증한다.