[論文レビュー] Predicting the impact of feedback on matter clustering with machine learning in CAMELS

Ana Maria Delgado, Daniel Anglés‐Alcázar+8 more|arXiv (Cornell University)|Jan 5, 2023

Galaxies: Formation, Evolution, Phenomena被引用数 4

ひとこと要約

この論文は、CAMELSシミュレーションにおける物質パワー スペクトルへのバリオンフィードバックの影響を予測するために、幅広い質量範囲（10^10–10^15 M⊙）のハローのバリオン質量分率とその存在割合を用いてトレーニングされたランダムフォレスト回帰器を用いる。k = 1.0–20.0 h Mpc⁻¹の範囲でパワー抑制（ΔP/P_DM）の予測精度が約1%に達し、宇宙分散とモデル依存のフィードバック効果がある中でも、ハロー質量関数とバリオン含量が強固な予測子であることを示している。

ABSTRACT

Extracting information from the total matter power spectrum with the precision needed for upcoming cosmological surveys requires unraveling the complex effects of galaxy formation processes on the distribution of matter. We investigate the impact of baryonic physics on matter clustering at $z=0$ using a library of power spectra from the Cosmology and Astrophysics with MachinE Learning Simulations (CAMELS) project, containing thousands of $(25\,h^{-1}{ m Mpc})^3$ volume realizations with varying cosmology, initial random field, stellar and AGN feedback strength and sub-grid model implementation methods. We show that baryonic physics affects matter clustering on scales $k \gtrsim 0.4\,h\,\mathrm{Mpc}^{-1}$ and the magnitude of this effect is dependent on the details of the galaxy formation implementation and variations of cosmological and astrophysical parameters. Increasing AGN feedback strength decreases halo baryon fractions and yields stronger suppression of power relative to N-body simulations, while stronger stellar feedback often results in weaker effects by suppressing black hole growth and therefore the impact of AGN feedback. We find a broad correlation between mean baryon fraction of massive halos ($M_{ m 200c} > 10^{13.5}$\,\Msun) and suppression of matter clustering but with significant scatter compared to previous work owing to wider exploration of feedback parameters and cosmic variance effects. We show that a random forest regressor trained on the baryon content and abundance of halos across the full mass range $10^{10} \leq M_\mathrm{halo}/$\Msun$< 10^{15}$ can predict the effect of galaxy formation on the matter power spectrum on scales $k = 1.0$--20.0\,$h\,\mathrm{Mpc}^{-1}$.

研究の動機と目的

• 宇宙論的シミュレーションにおいてバリオンフィードバックによる物質クラスタリングの抑制を高精度で予測すること。
• ハローのバリオン分率とその存在割合が、多様なフィードバックおよび宇宙論的パラメータの下でパワー スペクトル歪みの予測に強固に機能するかを調査すること。
• 小体積シミュレーションにおける機械学習モデルの予測精度を制限する要因としての宇宙分散とハロー質量関数の役割を評価すること。
• CAMELSフレームワーク内での異なるフィードバック実装および宇宙論的モデルに対する機械学習モデルの頑健性を評価すること。
• バリオン分率とパワー抑制の間に普遍的な関係が存在するか、それともモデル特有の依存性が支配的であるかを特定すること。

提案手法

• 25 h⁻¹ Mpc³のCAMELSシミュレーションのハロー特性を用いて、質量チャンクごとのバリオン分率とハロー数を入力特徴量としてランダムフォレスト回帰器をトレーニング。
• 物質パワー スペクトルを水理的シミュレーションから得て、N体シミュレーションのダークマターのみのパワー スペクトルと比較し、ΔP/P_DMをターゲット変数として計算。
• 宇宙分散を補正し、モデルの汎用性を向上させるために、各質量チャンクごとのハロー数（N_halos）を重要な特徴量として組み込み。
• TNGやSIMBAを含む独立したシミュレーションを用いてモデルの妥当性を検証し、異なるフィードバック実装における転送性と頑健性をテスト。
• 特徴量の重要度を評価するためのアブレーションスタディを実施し、ハローの存在割合とバリオン分率が最も予測力の高い特徴量であることが判明。
• ハロー質量関数の情報を組み込むことで宇宙分散を補正し、モデルの精度を向上させるとともに過学習を低減。

実験結果

リサーチクエスチョン

• RQ1 ハローのバリオン分率と存在割合を用いてトレーニングされた機械学習モデルは、k = 1.0–20.0 h Mpc⁻¹の範囲で物質クラスタリングの抑制（ΔP/P_DM）を1%未満の誤差で予測できるか？
• RQ2 小体積CAMELSシミュレーションにおける宇宙分散は、バリオン分率とパワー抑制の関係の信頼性にどのように影響するか？
• RQ3 異なるフィードバック実装（例：TNG 対 SIMBA）および宇宙論的パラメータ（例：Ω_m）が、ハローのバリオン分率とパワー抑制の間の普遍的関係をどの程度損なうか？
• RQ4 低質量ハローにおいて低Ω_mでΔP/P_DM–f_bar関係が逆転するのはなぜか、そしてこれは小スケールハローにおけるフィードバック物理学にどのような示唆をもたらすか？
• RQ5 宇宙論的パラメータを入力に含まないモデル（ハロー特性のみを入力とする）が、Ω_mを含むモデルと同等の精度を達成できるか？

主な発見

• ランダムフォレストモデルは、全質量範囲にわたるバリオン分率とハロー存在割合をトレーニングデータとして用いることで、k = 1.0–20.0 h Mpc⁻¹の範囲でΔP/P_DMの予測誤差が1%未満に抑えられる。
• ハロー存在割合（N_halos 1質量チャンクあたり）は、モデル精度を顕著に向上させ、宇宙分散の影響を軽減する上で最も予測力の高い特徴量の一つである。
• TNG や SIMBA などの独立したシミュレーションでも高い精度を達成しているが、TNG ではわずかに抑制を過剰に予測しており、モデル依存のフィードバック効果が顕在している。
• ハローのバリオン分率とパワー抑制の間に明確な普遍的関係は存在せず、関係は散乱が大きく、フィードバック実装や宇宙論的パラメータに依存する。
• Ω_m を入力に含まないモデル（バリオン分率とハロー数のみ）も、Ω_m を含むモデルと比較して1%以内の誤差で性能を発揮しており、ハロー特性が十分な宇宙論的情報を内蔵していることを示している。
• 低質量ハローで低Ω_mの条件下でΔP/P_DM–f_bar関係が逆転するのは、複雑なフィードバック物理学または解像度に達しない宇宙分散の影響を示唆しており、今後のさらなる調査が求められる。