[论文解读] Calibration of SAMs with Particle Swarm Optimization: an application using intermediate and low redshift data

A. Cora, Nelson Padilla+3 more|arXiv (Cornell University)|Oct 25, 2013

Galaxies: Formation, Evolution, Phenomena被引用 6

一句话总结

本文提出一种基于粒子群优化（PSO）的框架，利用中低红移观测数据高效校准星系形成半解析模型（SAMs）。该方法可在高维参数空间中快速识别最优参数组合，且在多种校准约束下结果一致，展现出在SAMs中测试新天体物理过程时的鲁棒性与计算高效性。

ABSTRACT

We present a fast and accurate method to select an optimal set of parameters in semi- analytic models of galaxy formation and evolution (SAMs). Our approach compares the results of a model against a set of observables applying a stochastic technique called Particle Swarm Optimization (PSO), a self-learning algorithm for localizing minima in multidimensional spaces that outperforms traditional sampling methods in terms of computational cost. We apply the PSO technique to the SAG semi-analytic model combined with merger trees extracted from a standardCDM N-body simulation. From the full set of model parameters used for the baryonic processes followed in SAG, we select six for tuning and keep all others fixed. In order to evaluate the ability of the PSO algorithm to find the best set of parameters, we perform several calibrations using different combinations of observed properties, both locally (e.g. z = 0 K-, bj- and r- band luminosity functions, the black hole (BH) mass to bulge mass relation) and at intermediate and high redshifts (supernova rates as a function of redshift, UV luminosity functions at 0.5 6 z 6 3.0). For the best parameter set found, we present the model predictions for the K- and B-band luminosity functions at z = 1, 2 and 3 and the galaxy- galaxy correlation function at z = 0. We find that galaxy properties obtained from the different calibrations are very similar, which points to the fact that the results do not depend strongly on the constraints used as long as z = 0 LFs are considered. This new approach allows a fast estimation of the best-fitting parameter set in multidimensional spaces, providing a practical tool to test the consequences of including new astrophysical processes in galaxy formation models.

研究动机与目标

• 开发一种计算高效的校准方法，用于半解析星系形成模型，基于观测约束。
• 克服多维模型中传统参数空间采样带来的高计算成本。
• 评估校准结果在不同本地与高红移观测组合下的鲁棒性。
• 测试粒子群优化（PSO）在复杂高维参数空间中定位最优参数集的性能。
• 为评估星系形成模型中新天体物理过程的影响提供实用工具。

提出的方法

• 采用粒子群优化（PSO）——一种随机自学习算法——以导航并最小化模型预测与星系观测属性之间的误差。
• 将PSO应用于与标准冷暗物质（CDM）N体模拟合并树耦合的SAG半解析模型。
• 固定除六个与重子过程（如恒星形成、反馈）相关的关键参数外的所有参数，仅对这些参数进行调优以匹配观测数据。
• 使用多样化的观测约束：z = 0时的K-、B-和r波段光度函数，黑洞-星系晕质量关系，超新星速率，以及0.5 ≤ z ≤ 3.0的紫外光度函数。
• 通过使用不同观测组合的多次校准运行，评估模型性能以测试结果的一致性与鲁棒性。
• 为最佳拟合参数集生成z = 1、2和3时的K-和B波段光度函数预测，以及z = 0时的星系-星系关联函数预测。

实验结果

研究问题

• RQ1 粒子群优化（PSO）是否能在高维参数空间中有效且高效地校准半解析模型？
• RQ2 在包含高红移数据的情况下，校准得到的参数集对不同观测约束组合的依赖性如何？
• RQ3 星系光度函数与聚类的模型预测在不同校准选择下的一致性程度如何？
• RQ4 与仅使用本地数据的约束相比，包含中低红移观测数据是否显著改变了最优参数集？
• RQ5 PSO能否提供一种实用且可扩展的工具，用于测试星系形成模型中新天体物理过程的影响？

主要发现

• PSO算法以计算高效的方式成功识别出最优参数集，在成本与收敛速度方面优于传统采样方法。
• 不同校准运行下，z = 1、2和3时的K-和B波段光度函数预测结果一致，表明模型输出具有鲁棒性。
• 最佳拟合参数集能良好再现z = 0时的星系-星系关联函数，验证了模型对大尺度结构的预测能力。
• 仅使用z = 0光度函数进行校准时，结果与包含中低红移数据的校准结果非常相似，表明本地观测具有高度约束力。
• 不同校准组合间结果的一致性表明，只要包含z = 0光度函数，模型行为对具体观测集合的选择不敏感。
• 该方法为测试半解析模型中新天体物理过程的影响提供了一个可靠且快速的框架，可实现对参数空间的快速探索。