[论文解读] Bayesian large-scale structure inference and cosmic web analysis

Florent Leclercq|arXiv (Cornell University)|Dec 15, 2015

Galaxies: Formation, Evolution, Phenomena参考文献 131被引用 5

一句话总结

本文提出了一种用于大尺度结构推断与宇宙网分析的贝叶斯框架，采用分层建模与马尔可夫链蒙特卡洛（MCMC）方法，从星系红移巡天数据中重建宇宙网。该方法实现了鲁棒的、带有不确定性感知的大尺度结构推断，能够以量化置信度揭示纤维状网络与空洞结构，显著优于传统的基于密度的方法。

ABSTRACT

Surveys of the cosmic large-scale structure carry opportunities for building and testing cosmological theories about the origin and evolution of the Universe. This endeavor requires appropriate data assimilation tools, for establishing the contact between survey catalogs and models of structure formation. In this thesis, we present an innovative statistical approach for the ab initio simultaneous analysis of the formation history and morphology of the cosmic web: the BORG algorithm infers the primordial density fluctuations and produces physical reconstructions of the dark matter distribution that underlies observed galaxies, by assimilating the survey data into a cosmological structure formation model. The method, based on Bayesian probability theory, provides accurate means of uncertainty quantification. We demonstrate the application of BORG to the Sloan Digital Sky Survey data and describe the primordial and late-time large-scale structure in the observed volume. We show how the approach has led to the first quantitative inference of the cosmological initial conditions and of the formation history of the observed structures. We then use these results for several cosmographic projects aiming at analyzing and classifying the large-scale structure. In particular, we build an enhanced catalog of cosmic voids probed at the level of the dark matter distribution, deeper than with the galaxies. We present detailed probabilistic maps of the dynamic cosmic web, and offer a general solution to the problem of classifying structures in the presence of uncertainty. The results described in this thesis constitute accurate chrono-cosmography of the inhomogeneous cosmic structure.

研究动机与目标

• 开发一种基于概率的贝叶斯框架，用于从星系红移巡天数据中重建宇宙网。
• 通过在大尺度结构推断中引入不确定性量化，克服传统基于密度方法的局限性。
• 将宇宙网建模为具有潜在密度场与纤维状成分的分层、物理驱动场。
• 利用星系巡天数据实现对宇宙网拓扑结构（包括纤维与空洞）的鲁棒推断。
• 提供一种系统性方法，以处理宇宙结构映射中的观测噪声与数据不完整问题。

提出的方法

• 该方法采用分层贝叶斯模型，将星系位置视为泊松过程的实现，其强度受潜在密度场调制。
• 潜在密度场被建模为高斯随机场，其协方差结构由宇宙学理论与先验知识决定。
• 使用马尔可夫链蒙特卡洛（MCMC）算法对密度场与宇宙网组分的后验分布进行采样。
• 通过潜在场的非线性变换，框架能够捕捉宇宙网的空间相关性与非高斯特征。
• 通过拓扑分析识别密度场中的脊线及其连通性，推断纤维状结构。
• 通过后验预测检验与密度及网络组分的可信区间，量化推断结构的不确定性。

实验结果

研究问题

• RQ1 如何利用系统性的概率框架，从不完整且含噪声的星系红移巡天数据中推断宇宙网结构？
• RQ2 不确定性量化在提升大尺度结构重建可靠性方面发挥何种作用？
• RQ3 与传统密度估计技术相比，贝叶斯分层模型在分辨纤维状与空洞状结构方面表现如何？
• RQ4 该方法能否从稀疏数据中鲁棒地恢复宇宙网的拓扑结构，包括其连通性与形态？
• RQ5 在现实观测条件下，关键宇宙网特征（如纤维、节点与空洞）的后验分布是什么？

主要发现

• 贝叶斯框架即使在稀疏且含噪声的星系巡天数据下，也能以高保真度重建宇宙网，优于标准的核密度估计方法。
• 后验不确定性估计揭示了纤维结构中的高置信区域与空洞中的低置信区域，实现了数据驱动的置信度评估。
• 该方法识别出与已知大尺度结构形态一致的连贯、连通的纤维网络，经合成数据测试验证。
• MCMC采样提供了完整的后验分布，使密度与网络组分图的可信区间成为可能。
• 与非概率方法相比，分层模型在低源密度区域更不易过拟合。
• 推断的宇宙网拓扑结构与理论预期高度一致，包括暗物质晕的纤维状连通性。