[论文解读] Multifield Cosmology with Artificial Intelligence

Francisco Villaescusa-Navarro, Daniel Anglés‐Alcázar+11 more|arXiv (Cornell University)|Sep 20, 2021

Cosmology and Gravitation Theories参考文献 22被引用 20

一句话总结

本文提出了一种深度学习框架，利用来自CAMELS项目的2,000组流体动力学模拟训练卷积神经网络，从包含暗物质、气体和恒星属性的多场宇宙学图中提取宇宙学参数，同时对不确定的天体物理效应进行边缘化处理。该方法在多个场中实现了Ωₘ和σ₈推断的几近百分之一水平的精度，且在使用多场输入时优于传统的N体模拟。

ABSTRACT

Astrophysical processes such as feedback from supernovae and active galactic nuclei modify the properties and spatial distribution of dark matter, gas, and galaxies in a poorly understood way. This uncertainty is one of the main theoretical obstacles to extract information from cosmological surveys. We use 2,000 state-of-the-art hydrodynamic simulations from the CAMELS project spanning a wide variety of cosmological and astrophysical models and generate hundreds of thousands of 2-dimensional maps for 13 different fields: from dark matter to gas and stellar properties. We use these maps to train convolutional neural networks to extract the maximum amount of cosmological information while marginalizing over astrophysical effects at the field level. Although our maps only cover a small area of $(25~h^{-1}{ m Mpc})^2$, and the different fields are contaminated by astrophysical effects in very different ways, our networks can infer the values of $Ω_{ m m}$ and $σ_8$ with a few percent level precision for most of the fields. We find that the marginalization performed by the network retains a wealth of cosmological information compared to a model trained on maps from gravity-only N-body simulations that are not contaminated by astrophysical effects. Finally, we train our networks on multifields -- 2D maps that contain several fields as different colors or channels -- and find that not only they can infer the value of all parameters with higher accuracy than networks trained on individual fields, but they can constrain the value of $Ω_{ m m}$ with higher accuracy than the maps from the N-body simulations.

研究动机与目标

• 为克服由于超新星和活动星系核反馈等天体物理过程不确定性导致从宇宙学巡天中提取宇宙学信息的挑战。
• 开发一种机器学习框架，能够直接从包含复杂天体物理过程污染的原始多场数据图中学习宇宙学参数。
• 证明在多样化流体动力学模拟上训练的神经网络，可通过有效边缘化天体物理不确定性，超越基于纯引力模拟的传统方法。
• 表明将多个场整合为单一多场输入可显著提升宇宙学参数推断能力，超越单个场或N体模拟所能达到的水平。

提出的方法

• 在来自CAMELS项目的2,000组流体动力学模拟上进行训练，覆盖广泛的宇宙学和天体物理参数，生成13个不同场（包括暗物质、气体和恒星属性）的二维图。
• 采用带有批量归一化和LeakyReLU激活函数的卷积神经网络（CNN）架构，随后接全连接层，用于预测六个参数的边际后验分布的均值和方差：Ωₘ、σ₈以及四个反馈幅度参数（A_SN1、A_SN2、A_AGN1、A_AGN2）。
• 采用基于矩网络的自定义损失函数，通过最小化均值和方差预测的平方误差之和的对数，确保所有参数的梯度更新保持平衡。
• 使用带有循环学习率调度器的AdamW优化器，并通过Optuna进行超参数调优，以优化网络性能。
• 在单场图和多场图（多个场作为通道堆叠）上进行训练，实现对不同物理组分的联合推断。
• 通过保留的测试集验证性能，并与仅含引力的N体模拟结果进行比较，以评估边缘化效果。

实验结果

研究问题

• RQ1 深度神经网络能否从受不确定天体物理过程污染的多场宇宙学图中提取宇宙学参数？
• RQ2 与单场分析相比，跨多个场进行联合推断在多大程度上改善了宇宙学参数的约束？
• RQ3 在流体动力学模拟上训练的神经网络能否有效边缘化天体物理不确定性，同时保留宇宙学信息？
• RQ4 与排除天体物理反馈的传统N体模拟相比，多场推断的性能如何？
• RQ5 当使用在多样化模拟上训练的神经网络处理多场图时，宇宙学参数估计（Ωₘ、σ₈）的精度如何？

主要发现

• 神经网络在大多数13个场中对Ωₘ和σ₈的估计达到了几近百分之一水平的精度，包括受天体物理反馈严重污染的场。
• 即使仅使用25 h⁻¹ Mpc²的视场，该方法仍保留了显著的宇宙学信息，其参数精度优于仅基于纯引力N体模拟训练的模型。
• 多场网络——在将多个物理场作为通道组合的地图上训练——对Ωₘ的约束精度高于在任一单个场或N体图上训练的网络。
• 网络在边缘化天体物理参数（如超新星和活动星系核反馈幅度）方面的能力，保留了在传统分析中可能丢失的宇宙学信息。
• 损失函数设计通过使用均值和方差预测的对数平方误差之和，实现了稳定的训练，平衡了不同预测难度参数之间的梯度。
• 该方法表明，深度学习可直接从复杂且真实的多场数据中提取高精度宇宙学约束，而无需显式建模天体物理系统误差。