[论文解读] Additional material Effort paper

Marco Bonici, Guido D’Amico+2 more|arXiv (Cornell University)|Jan 8, 2025

Galaxies: Formation, Evolution, Phenomena被引用 6

一句话总结

Effort.jl 引入一个快速、可微分的 EFTofLSS 星系功率谱多极数模拟器，支持基于梯度的宇宙学推断，并且在与 pybird 和 BOSS 数据的对比中显示出极佳的一致性。

ABSTRACT

The data here include: training and validation datasets, both for the fixed and flexible redshift emulators trained emulators, both for the fixed and flexible redshift emulators, using different number of input data, different preprocessing schemes, different random seeds

研究动机与目标

• 开发一个快速、可微分的 EFTofLSS 模拟器，使其能够与自动微分和基于梯度的采样器集成。
• 通过与概率编程（如 Turing.jl）和仿 HMC 的采样器耦合，实现在 LSS 分析中的高效贝叶斯推断。
• 在模拟器内处理观测效应（AP效应、调查窗）而不牺牲准确性。
• 通过与成熟流程（pybird/CLASS/CAMB）和数据集（PT-challenge、BOSS）的验证，展示模拟器的准确性和可靠性。
• 将 Effort.jl 定位用于即将到来的调查（DESI、Euclid）以及与其他工具的联合分析。

提出的方法

• 使用神经网络来模拟 EFTofLSS 中的1-loop 星系功率谱多极，同时对偏差/抵消项进行解析处理，以减少神经网络的复杂度。
• 应用物理信息驱动的预处理，通过用 A_s D(z)（对循环项使用 A_s D^2(z)）重新缩放非线性项，以提高模拟器的准确性。
• 在运行时通过在 DifferentialEquations.jl 中使用可微求解器（Tsitouras RK）对演化方程进行积分，动态计算背景量（H(z)，r(z)，D(z)，f(z)）。
• 用可微实现来建模阿尔科克-帕斯金斯基扭曲（AP）和调查窗卷积等观测效应；对于 AP 使用自适应高斯求積或 Gauss-Lobatto 求积，并具有对自定义反向传播规则友好的实现。
• 使用概率编程框架（Turing.jl），配合基于梯度的采样器（NUTS、MicroCanonical Langevin MC）进行宇宙学推断，利用自动微分。
• 纳入快速、可微分的样条插值用于 AP 变换，配备自定义的向后微分规则以保持性能。
• 基准测试显示每个多极的评估大约 ~15 微秒，并且在与成熟流程（pybird、CLASS/CAMB）以及 BOSS/PT-challenge 数据集的比较中得到验证。

Figure 1 : Comparison of the growth rate $f(z)$ as computed by CLASS and Effort.jl . The two codes have a remarkably good agreement, with differences smaller than $1\%$ over the entire redshift range considered.

实验结果

研究问题

• RQ1 Effort.jl 在广泛参数空间内相较于传统流程（pybird、CLASS/CAMB）再现 EFTofLSS 星系功率谱多极的准确度有多高？
• RQ2 物理信息驱动的预处理（A_s D(z) 重标度）是否显著降低模拟器残差并在不牺牲准确性的情况下实现更小的神经网络？
• RQ3 Effort.jl 能否支持高效基于梯度的贝叶斯推断和基于梯度的优化，包括处理 AP 和窗效应？
• RQ4 在当前（BOSS）和未来（DESI、Euclid）数据集上应用时，模拟器的性能和可靠性如何，包括大体积模拟？
• RQ5 具体组成部分（AP 处理、背景量计算）如何影响端到端推断中的整体精度和梯度传播？

主要发现

• 模拟器在 EFTofLSS 的 1-loop 计算星系功率谱多极，评估时间约 ~15 微秒。
• 在大体积模拟和 BOSS 数据上，Effort.jl 与传统流程高度一致，偏差与蒙特卡罗噪声相容。
• 通过重新实现样条插值并添加自定义向后规则，AP 相关梯度计算的时间从 ~100 ms 降低到 ~0.2 ms。
• 使用 Effort.jl 的增长率计算与 CLASS 的一致性在测试的红移范围内优于 1%，适用于具有挑战性的宇宙学模型（大量中微子、极端 w(z)）。
• 使用 A_s D^2(z)（以及 A_s D(z)）的物理信息预处理策略显著改善残差，即使使用较小的神经网络也能实现高精度。
• 符号回归可以用 ~200 ns 的评估与 ~0.1% 的精度替代基于微分方程的生长因子计算，在大部分测试参数范围内进一步加速预处理且不损失准确性。

Figure 2 : 95% distribution of the percentage errors. We show the impact of the different rescaling schemes employed. The dot-dashed and solid lines refers respectively to a training dataset with 20,000 and 60,000 elements. As can be seen, a bigger dataset helps in enhancing the performance, but the