[论文解读] An improved cosmological parameter inference scheme motivated by deep learning

Dezső Ribli, Bálint Pataki+1 more|arXiv (Cornell University)|Jun 15, 2018

Galaxies: Formation, Evolution, Phenomena被引用 7

一句话总结

本文提出了一种受深度学习启发的峰值计数方法，基于弱引力透镜收敛图中峰值的'陡度'，显著提升了对Ωₘ和σ₈的宇宙学参数推断性能。该方法源自对更精确卷积神经网络（CNN）的洞察，其误差更低且无系统性偏差，优于当前最先进的技术，甚至在高分辨率无噪声图中表现优于CNN。

ABSTRACT

Dark matter cannot be observed directly, but its weak gravitational lensing slightly distorts the apparent shapes of background galaxies, making weak lensing one of the most promising probes of cosmology. Several observational studies have measured the effect, and there are currently running, and planned efforts to provide even larger, and higher resolution weak lensing maps. Due to nonlinearities on small scales, the traditional analysis with two-point statistics does not fully capture all the underlying information. Multiple inference methods were proposed to extract more details based on higher order statistics, peak statistics, Minkowski functionals and recently convolutional neural networks (CNN). Here we present an improved convolutional neural network that gives significantly better estimates of $\\Omega_m$ and $\\sigma_8$ cosmological parameters from simulated convergence maps than the state of art methods and also is free of systematic bias. We show that the network exploits information in the gradients around peaks, and with this insight, we construct a new, easy-to-understand, and robust peak counting algorithm based on the 'steepness' of peaks, instead of their heights. The proposed scheme is even more accurate than the neural network on high-resolution noiseless maps. With shape noise and lower resolution its relative advantage deteriorates, but it remains more accurate than peak counting.

研究动机与目标

• 开发一种更准确、更稳健的方法，用于从弱引力透镜收敛图中推断宇宙学参数Ωₘ和σ₈。
• 克服现有峰值计数和基于CNN的推断方法中存在的系统性偏差和更高误差。
• 从深度神经网络中提取具有物理可解释性的特征，以指导设计更简单、更可靠的推断方案。
• 证明基于梯度分析的峰值陡度，相较于峰值高度，能更优地区分宇宙学模型。
• 提供一种在真实观测条件下（包括形状噪声和较低角分辨率）仍保持优异性能的方法。

提出的方法

• 作者在96张具有不同Ωₘ和σ₈值的模拟弱引力透镜收敛图上训练了改进的CNN架构，使用光线追踪n体模拟。
• 该CNN通过引入额外激活函数、更多滤波器以及受成功计算机视觉模型启发的结构化残差块得到增强。
• 对训练后CNN的内部分析表明，其利用了峰值周围的梯度信息，特别是通过学习到的卷积核类似于Roberts交叉算子和拉普拉斯算子。
• 基于此洞察，作者提出了一种新的峰值计数方案，使用'陡度'（通过Sobel或Roberts交叉梯度滤波器测量）代替峰值高度。
• 新方法通过收敛图中空间梯度的幅值计算峰值陡度，提供了一种具有物理可解释性且稳健的替代传统峰值计数的方法。
• 新方法的性能在无噪声和有噪声图上通过均方根误差（RMSE）与峰值高度计数、原始CNN及新方法的变体进行了评估和比较。

实验结果

研究问题

• RQ1 深度神经网络的内部表征是否能揭示可解释的特征，从而提升宇宙学参数推断？
• RQ2 基于梯度分析的峰值陡度是否在弱引力透镜图中提供优于峰值高度的宇宙学约束？
• RQ3 在包含噪声和较低分辨率的真实观测条件下，新峰值陡度方法与最先进的CNN及峰值计数方法相比性能如何？
• RQ4 基于神经网络洞察设计的简单、可解释的峰值计数方案，是否能在参数估计中超越复杂的深度学习模型？
• RQ5 与现有方法相比，新方法在Ωₘ和σ₈推断中减少系统性偏差并提升精度的程度如何？

主要发现

• 改进的CNN在全参数范围内对Ωₘ和σ₈的估计误差相比峰值计数降低了约2倍，且无明显系统性偏差。
• 在高分辨率无噪声图中，新峰值陡度方法优于原始CNN和改进CNN，对Ωₘ的RMSE为4.3×10⁻³，对σ₈的RMSE为9.7×10⁻³。
• 即使在形状噪声（ng = 8 arcmin⁻²）和2 arcmin分辨率条件下，峰值陡度方法的RMSE仍低于峰值高度计数，对Ωₘ为30.3×10⁻³，对σ₈为56.7×10⁻³。
• 峰值陡度分布随Ωₘ和σ₈的变化表现出明显偏移，而峰值高度则不然，表明其具有更好的敏感性和更低的参数退化程度。
• 基于Sobel滤波（使用Roberts交叉核）的方法在所有峰值计数方案中RMSE最低，即使在噪声和低分辨率条件下亦然。
• 本研究证明，神经网络特征的可解释性可指导设计更简单、更稳健的推断工具，且在特定场景下可超越复杂模型。