[论文解读] Cosmology from Galaxy Redshift Surveys with PointNet

Sotiris Anagnostidis, Arne Thomsen+5 more|arXiv (Cornell University)|Nov 22, 2022

Galaxies: Formation, Evolution, Phenomena被引用 4

一句话总结

本文提出使用基于PointNet的深度学习模型，直接从星系红移巡天数据中回归宇宙学参数，将星系位置视为排列不变的点云。在包含10⁴–10⁵个星系的模拟巡天中，该方法实现了最先进性能，通过捕捉非高斯结构并自然地整合如晕质量等附加特征，显著提升了对σ₈的参数约束，优于传统两点统计方法。

ABSTRACT

In recent years, deep learning approaches have achieved state-of-the-art results in the analysis of point cloud data. In cosmology, galaxy redshift surveys resemble such a permutation invariant collection of positions in space. These surveys have so far mostly been analysed with two-point statistics, such as power spectra and correlation functions. The usage of these summary statistics is best justified on large scales, where the density field is linear and Gaussian. However, in light of the increased precision expected from upcoming surveys, the analysis of -- intrinsically non-Gaussian -- small angular separations represents an appealing avenue to better constrain cosmological parameters. In this work, we aim to improve upon two-point statistics by employing a extit{PointNet}-like neural network to regress the values of the cosmological parameters directly from point cloud data. Our implementation of PointNets can analyse inputs of $\mathcal{O}(10^4) - \mathcal{O}(10^5)$ galaxies at a time, which improves upon earlier work for this application by roughly two orders of magnitude. Additionally, we demonstrate the ability to analyse galaxy redshift survey data on the lightcone, as opposed to previously static simulation boxes at a given fixed redshift.

研究动机与目标

• 通过用点云数据上的深度学习替代传统两点统计方法，改进星系红移巡天中的宇宙学参数推断。
• 实现对包含10⁴–10⁵个星系的大规模星系巡天的分析，克服先前深度学习方法的局限性。
• 直接将物理特征（如晕质量）整合到模型中，无需手动调参，从而增强信息提取能力。
• 展示使用PointNet进行光锥分析的可行性，突破静态红移切片模拟的限制。
• 证明PointNet在约束宇宙学参数（如Ωₘ和σ₈）方面优于标准两点相关函数。

提出的方法

• 该模型采用类似PointNet的架构，将三维星系位置作为排列不变的点云进行处理，通过共享多层感知机和最大池化操作学习全局特征。
• 星系位置被附加额外的物理特征（如晕的virial质量），并输入到网络输入层，以提升回归性能。
• 网络通过均方误差损失函数，直接从模拟的星系分布中回归宇宙学参数（Ωₘ、σ₈、w、h）。
• 通过处理红移相关的空间分布，该方法支持光锥几何，从而实现对巡天数据的真实模拟。
• 通过条件密度估计方法，结合PointNet回归器与两点统计压缩器，估计参数的后验分布。
• 该模型具备可扩展性，专为处理大规模数据集而设计，未来可通过多GPU系统扩展至10⁶个星系。

实验结果

研究问题

• RQ1 基于PointNet的模型能否在星系红移巡天中对宇宙学参数的约束上优于传统两点统计方法？
• RQ2 将晕质量作为特征加入后，对PointNet模型在宇宙学参数回归中的性能有何影响？
• RQ3 PointNet在处理包含10⁴–10⁵个星系的大规模星系巡天时，其性能如何？其扩展性与硬件资源的关系如何？
• RQ4 PointNet能否有效学习两点统计方法所忽略的星系分布中的非高斯结构？
• RQ5 与静态红移切片模拟相比，该模型在光锥数据上的表现如何？

主要发现

• 与两点相关函数相比，PointNet模型在宇宙学参数回归中显著降低了均方误差（MSE），尤其在σ₈参数上表现更优。
• 引入晕质量作为特征可减少异常预测，但对缩小(Ωₘ, σ₈)后验分布的尺寸仅有微小影响。
• 该模型成功处理了10⁴–10⁵量级的星系点云，相比先前深度学习在该任务上的应用，实现了两个数量级的性能提升。
• PointNet模型捕捉到了两点统计方法不敏感的星系分布中的非高斯特征，从而改善了参数约束。
• 条件密度估计结果表明，PointNeXt生成的后验分布比两点统计更紧凑，尤其在σ₈参数上表现更优。
• 该方法具备可扩展性，未来可自然集成更多物理特征（如星等和颜色）以处理更大规模数据集。