[论文解读] ${ m S{\scriptsize IM}BIG}$: A Forward Modeling Approach To Analyzing Galaxy Clustering

ChangHoon Hahn, Michael Eickenberg+8 more|arXiv (Cornell University)|Nov 1, 2022

Gaussian Processes and Bayesian Inference被引用 6

一句话总结

SimBIG 提出了一种基于模拟的推断框架，利用高保真 N体模拟和归一化流，从非线性尺度的星系聚类中提取宇宙学约束，通过将分析扩展至 k_max = 0.5 h/Mpc，使 σ₈ 的约束比标准微扰理论方法更紧密 27%。

ABSTRACT

We present the first-ever cosmological constraints from a simulation-based inference (SBI) analysis of galaxy clustering from the new ${ m S{\scriptsize IM}BIG}$ forward modeling framework. ${ m S{\scriptsize IM}BIG}$ leverages the predictive power of high-fidelity simulations and provides an inference framework that can extract cosmological information on small non-linear scales, inaccessible with standard analyses. In this work, we apply ${ m S{\scriptsize IM}BIG}$ to the BOSS CMASS galaxy sample and analyze the power spectrum, $P_\ell(k)$, to $k_{ m max}=0.5\,h/{ m Mpc}$. We construct 20,000 simulated galaxy samples using our forward model, which is based on high-resolution ${ m Q{\scriptsize UIJOTE}}$ $N$-body simulations and includes detailed survey realism for a more complete treatment of observational systematics. We then conduct SBI by training normalizing flows using the simulated samples and infer the posterior distribution of $Λ$CDM cosmological parameters: $Ω_m, Ω_b, h, n_s, σ_8$. We derive significant constraints on $Ω_m$ and $σ_8$, which are consistent with previous works. Our constraints on $σ_8$ are $27\%$ more precise than standard analyses. This improvement is equivalent to the statistical gain expected from analyzing a galaxy sample that is $\sim60\%$ larger than CMASS with standard methods. It results from additional cosmological information on non-linear scales beyond the limit of current analytic models, $k > 0.25\,h/{ m Mpc}$. While we focus on $P_\ell$ in this work for validation and comparison to the literature, ${ m S{\scriptsize IM}BIG}$ provides a framework for analyzing galaxy clustering using any summary statistic. We expect further improvements on cosmological constraints from subsequent ${ m S{\scriptsize IM}BIG}$ analyses of summary statistics beyond $P_\ell$.

研究动机与目标

• 为克服标准微扰理论在建模非线性尺度（k > 0.25 h/Mpc）星系聚类时的局限性。
• 开发一种正向建模框架，整合真实观测效应与高分辨率模拟，实现稳健推断。
• 通过使用功率谱以外的汇总统计量（包括高阶统计量和场级可观测量）实现精确的宇宙学约束。
• 通过模拟挑战验证该方法，并展示对宇宙学参数的无偏推断。
• 通过获取非线性区域的信息，扩展未来大规模星系巡天（如 DESI、PFS、Euclid 和 Roman）的统计能力。

提出的方法

• 利用 Quijote N体模拟构建 20,000 个模拟星系样本，采用晕占有分布（HOD）模型并包含完整的观测真实性因素（如几何形状、遮罩、红移误差）。
• 采用正向模型，将宇宙学参数（Ωₘ, Ω_b, h, n_s, σ₈）和 HOD 参数映射为合成星系分布。
• 在模拟的汇总统计量（特别是 P_ℓ(k)）上训练归一化流，以学习似然函数并实现高效的后验推断。
• 将训练好的归一化流应用于观测到的 CMASS SGC 数据（109,636 个星系），推断宇宙学与 HOD 参数的后验分布。
• 在推断中使用 k_max = 0.5 h/Mpc，超越标准微扰理论分析通常采用的 k_max = 0.25 h/Mpc 限制。
• 通过使用 1,500 个测试模拟的模拟挑战验证其鲁棒性，确认在不同正向模型下宇宙学约束无偏。

实验结果

研究问题

• RQ1 基于模拟的推断框架是否能够从微扰理论失效的非线性尺度星系聚集中提取宇宙学信息？
• RQ2 与标准微扰理论分析相比，SimBIG 在相同数据上的宇宙学约束精度如何？
• RQ3 包含非线性尺度（k > 0.25 h/Mpc）在多大程度上改善了 σ₈ 和 Ωₘ 的约束？
• RQ4 通过模拟挑战验证，SimBIG 框架对模型不确定性和观测系统误差是否具有鲁棒性？
• RQ5 SimBIG 是否可扩展至高阶统计量和场级可观测量，以提取更多宇宙学信息？

主要发现

• 与标准微扰理论分析相比，SimBIG 在相同 CMASS SGC 样本上使 σ₈ 的约束更紧密 27%（σ₈ = 0.668⁺⁰.⁰³²⁴₋₀.⁰²⁸⁴）。
• σ₈ 精度的提升等价于使用标准方法分析大 60% 的星系样本，其信息来源于非线性尺度（k > 0.25 h/Mpc）。
• Ωₘ 的约束也显著改善（Ωₘ = 0.316⁺⁰.⁰⁴⁰₋₀.⁰³⁶），具有高度显著性且在不同方法间保持一致。
• 当 k_max = 0.25 h/Mpc 时，SimBIG 的后验分布与近期基于晕模型的代理分析结果高度一致，证实了方法的稳健性与准确性。
• 在使用 1,500 个具有多样化正向模型的测试模拟的模拟挑战中，该方法表现出无偏性，证明其在模型不确定性下的可靠性。
• SimBIG 使未来能够利用卷积神经网络和图神经网络等深度学习架构，分析高阶统计量（如三体谱）和场级可观测量。