[论文解读] Decoding Cosmological Information in Weak-Lensing Mass Maps with Generative Adversarial Networks

Masato Shirasaki, Naoki Yoshida+3 more|arXiv (Cornell University)|Nov 28, 2019

Galaxies: Formation, Evolution, Phenomena参考文献 74被引用 10

一句话总结

本论文提出了一种条件生成对抗网络（cGAN）框架，用于对斯巴鲁超会士相机（HSC）巡天中的弱引力透镜质量图进行去噪，利用真实模拟星历表训练模型。该方法将宇宙学参数 $S_8$ 的统计不确定性降低了两倍，相当于将巡天面积扩大四倍，并提升了从噪声数据中获得的宇宙学约束。

ABSTRACT

Galaxy imaging surveys enable us to map the cosmic matter density field through weak gravitational lensing analysis. The density reconstruction is compromised by a variety of noise originating from observational conditions, galaxy number density fluctuations, and intrinsic galaxy properties. We propose a deep-learning approach based on generative adversarial networks (GANs) to reduce the noise in the weak lensing map under realistic conditions. We perform image-to-image translation using conditional GANs in order to produce noiseless lensing maps using the first-year data of the Subaru Hyper Suprime-Cam (HSC) survey. We train the conditional GANs by using 30000 sets of mock HSC catalogs that directly incorporate observational effects. We show that an ensemble learning method with GANs can reproduce the one-point probability distribution function (PDF) of the lensing convergence map within a $0.5-1\sigma$ level. We use the reconstructed PDFs to estimate a cosmological parameter $S_{8} = \sigma_{8}\sqrt{\Omega_{ m m0}/0.3}$, where $\Omega_{ m m0}$ and $\sigma_{8}$ represent the mean and the scatter in the cosmic matter density. The reconstructed PDFs place tighter constraint, with the statistical uncertainty in $S_8$ reduced by a factor of $2$ compared to the noisy PDF. This is equivalent to increasing the survey area by $4$ without denoising by GANs. Finally, we apply our denoising method to the first-year HSC data, to place $2\sigma$-level cosmological constraints of $S_{8} < 0.777 \, ({ m stat}) + 0.105 \, ({ m sys})$ and $S_{8} < 0.633 \, ({ m stat}) + 0.114 \, ({ m sys})$ for the noisy and denoised data, respectively.

研究动机与目标

• 减少由观测效应、星系密度涨落和星系本征属性引起的弱引力透镜质量图中的噪声。
• 开发一种基于条件GAN的深度学习方法，从噪声观测中重建无噪声的引力透镜收敛图。
• 通过增强收敛图的一点概率密度函数（PDF），改进宇宙学参数估计。
• 量化去噪对关键宇宙学参数 $S_8 = \sigma_8\sqrt{\Omega_{m0}/0.3}$ 精度的影响。
• 将训练好的GAN模型应用于真实的第一年HSC数据，并获得更紧致的宇宙学约束。

提出的方法

• 该方法采用条件GAN进行图像到图像的转换，将噪声弱引力透镜图映射为去噪重建结果。
• 在30,000份包含真实观测效应（如噪声、源星系密度涨落和星系本征属性）的模拟HSC星历表上进行训练。
• 采用集成学习方法以提高去噪收敛图PDF的鲁棒性和准确性。
• 模型训练目标是保持真实收敛场的统计特性，特别是其一点PDF。
• 利用重建的PDF估计 $S_8$，相比噪声图，其统计不确定性显著降低。
• 在模拟数据和真实第一年HSC数据上对方法进行验证，以评估其宇宙学约束能力。

实验结果

研究问题

• RQ1 在真实观测条件下，条件GAN能否有效降低弱引力透镜质量图中的噪声？
• RQ2 基于GAN的去噪在多大程度上能提高收敛图一点PDF的准确性？
• RQ3 去噪如何影响宇宙学参数 $S_8$ 的统计不确定性？
• RQ4 将基于GAN的去噪应用于真实HSC数据时，可实现的等效巡天面积增益是多少？
• RQ5 与基于噪声图获得的约束相比，去噪图能否提供更紧致的宇宙学约束？

主要发现

• GAN的集成模型成功在真实分布的 $0.5-1\sigma$ 水平内重现了收敛图的一点PDF。
• 与噪声PDF相比，使用去噪PDF时 $S_8$ 的统计不确定性降低了两倍。
• 该不确定性降低等价于在不进行去噪的情况下将巡天面积扩大四倍。
• 将该方法应用于真实第一年HSC数据，得到去噪数据的 $S_8 < 0.633$（统计）± 0.114（系统），而噪声数据为 $S_8 < 0.777$（统计）± 0.105（系统）。
• 去噪图提供了更紧致的 $2\sigma$ 水平下的 $S_8$ 约束，表明宇宙学敏感度得到提升。
• 结果证实，深度生成模型可显著提升弱引力透镜巡天中宇宙学参数估计的精度。