[论文解读] Dark Energy Survey Year 3 results: likelihood-free, simulation-based $w$CDM inference with neural compression of weak-lensing map statistics

N Jeffrey, L Whiteway+89 more|arXiv (Cornell University)|Mar 4, 2024

Gaussian Processes and Bayesian Inference被引用 4

一句话总结

本文提出了一种无需似然函数、基于模拟的推断框架，用于$w$CDM宇宙学，利用暗能量巡天第三年弱引力透镜图，结合对图统计量（功率谱、峰值计数以及直接的CNN-based图压缩）的神经网络压缩，与正向建模的模拟数据相结合，实现了精确的参数约束。与仅使用功率谱的推断相比，该方法将暗能量参数的精度提高了两倍以上，得到$w < -0.80$（68%可信区间），同时$Ω_{m} = 0.283^{+0.020}_{-0.027}$，$S_8 = 0.804^{+0.025}_{-0.017}$。

ABSTRACT

We present simulation-based cosmological $w$CDM inference using Dark Energy Survey Year 3 weak-lensing maps, via neural data compression of weak-lensing map summary statistics: power spectra, peak counts, and direct map-level compression/inference with convolutional neural networks (CNN). Using simulation-based inference, also known as likelihood-free or implicit inference, we use forward-modelled mock data to estimate posterior probability distributions of unknown parameters. This approach allows all statistical assumptions and uncertainties to be propagated through the forward-modelled mock data; these include sky masks, non-Gaussian shape noise, shape measurement bias, source galaxy clustering, photometric redshift uncertainty, intrinsic galaxy alignments, non-Gaussian density fields, neutrinos, and non-linear summary statistics. We include a series of tests to validate our inference results. This paper also describes the Gower Street simulation suite: 791 full-sky PKDGRAV dark matter simulations, with cosmological model parameters sampled with a mixed active-learning strategy, from which we construct over 3000 mock DES lensing data sets. For $w$CDM inference, for which we allow $-1

研究动机与目标

• 利用DES第三年弱引力透镜数据改进$w$CDM模型中的宇宙学参数推断。
• 开发一种基于模拟的推断框架，能够将复杂统计不确定性（如形状噪声、光谱红移误差和非高斯性）通过模拟数据完整传播。
• 利用深度学习对高维透镜图统计量（功率谱、峰值计数和直接图表示）进行神经网络压缩，以提升推断的效率与准确性。
• 利用一个大规模、公开发布的模拟套件（Gower Street）对推断流程进行验证，该套件包含791个全天空宇宙学模拟和超过10,000个非独立的模拟巡天。
• 证明基于卷积神经网络的图级推断在约束暗能量和物质密度方面优于传统两点统计量。

提出的方法

• 该方法采用基于模拟的推断（无似然函数推断），利用正向建模的模拟数据估计后验分布，而无需显式似然函数。
• 对三种类型的透镜图汇总统计量应用神经网络压缩：功率谱、峰值计数，以及通过卷积神经网络（CNNs）对原始透镜图进行端到端的图级压缩。
• 采用混合主动学习策略，在791个全天空pkdgrav3模拟中采样宇宙学参数（包括$\Omega_{\rm m}, w, \sigma_8, h, \Omega_{\rm b}h^2, n_s, m_\nu$），以构建Gower Street模拟套件。
• 模拟数据包含真实的观测效应：天空掩膜、非高斯形状噪声、形状测量偏差、源聚类、光谱红移不确定性、本征对齐以及非线性密度场。
• 使用神经密度估计从模拟数据中学习似然函数，从而实现后验验证和不确定性量化。
• 通过多种一致性检验（包括与Planck CMB和标准DES两点函数结果的对比）对后验分布进行验证。

实验结果

研究问题

• RQ1 使用深度学习进行图级推断是否能超越传统两点统计量，在$w$CDM模型中进一步提升宇宙学约束？
• RQ2 对透镜图统计量（功率谱、峰值计数和原始图）进行神经网络压缩，如何影响推断的精度与计算效率？
• RQ3 在弱引力透镜宇宙学中，通过真实正向建模的基于模拟的推断在多大程度上能减少系统性偏差？
• RQ4 包含非高斯和非线性汇总统计量对暗能量参数约束有何影响？
• RQ5 与仅使用功率谱相比，功率谱与CNN压缩图的组合在约束$\Omega_{\rm m}$、$S_8$和$w$方面表现如何？

主要发现

• 功率谱与基于CNN的图级推断相结合，可获得最精确的约束结果，与仅使用功率谱的推断相比，暗能量参数精度（$\Omega_{\rm DE}, w$）提高了两倍以上。
• 最精确的约束结果为$\Omega_{\rm m} = 0.283^{\pm 0.020}_{-0.027}$，$S_8 = 0.804^{+0.025}_{-0.017}$，以及$w < -0.80$（68%可信区间）。
• 该方法成功地通过正向建模的模拟，将复杂的统计不确定性（如形状噪声、光谱红移误差和非高斯性）完整传播至整个推断流程。
• Gower Street模拟套件包含791个全天空宇宙学模拟和超过10,000个非独立的模拟巡天，为推断框架的训练与验证提供了坚实基础。
• 验证测试结果与Planck CMB和标准DES两点函数似然的外部约束保持一致，支持了后验估计的可靠性。
• 通过CNN实现的图级推断能够捕捉功率谱所遗漏的透镜图中的非高斯特征，从而对宇宙学参数表现出更高的敏感性。