[论文解读] Normalizing flows for random fields in cosmology

Adam Rouhiainen, Utkarsh Giri+1 more|arXiv (Cornell University)|May 25, 2021

Gaussian Processes and Bayesian Inference参考文献 24被引用 8

一句话总结

该论文提出使用归一化流直接在场层面建模宇宙学随机场（如物质分布和CMB强引力透镜势），而非通过摘要统计量。通过在基于物理功率谱的关联高斯先验上进行训练，该方法在功率谱和三阶矩谱估计中实现了亚百分之一的精度，展示了在宇宙学中对非高斯先验建模和场级变分推断的强大潜力。

ABSTRACT

Normalizing flows are a powerful tool to create flexible probability distributions with a wide range of potential applications in cosmology. Here we are studying normalizing flows which represent cosmological observables at field level, rather than at the level of summary statistics such as the power spectrum. We evaluate the performance of different normalizing flows for both density estimation and sampling of near-Gaussian random fields, and check the quality of samples with different statistics such as power spectrum and bispectrum estimators. We explore aspects of these flows that are specific to cosmology, such as flowing from a physical prior distribution and evaluating the density estimation results in the analytically tractable correlated Gaussian case.

研究动机与目标

• 评估归一化流在场层面建模近高斯宇宙学随机场的性能，而非通过功率谱等摘要统计量。
• 评估归一化流是否能准确表示宇宙学场的概率密度函数（PDF），包括N体模拟中的非高斯特征。
• 研究使用物理启发的、关联的高斯先验而非独立的标准高斯先验对流训练和样本质量的影响。
• 测试归一化流在下游宇宙学推断任务中的实用性，如场级变分推断和似然自由推断。
• 比较不同流架构（特别是real NVP与Glow）在宇宙学应用中的收敛速度和样本保真度。

提出的方法

• 该研究采用归一化流，通过一系列可逆、可微变换将基分布（初始为具有宇宙学动机的功率谱的关联高斯场）转换为复杂的目标分布。
• 该流被构建为K个可逆变换的复合形式 $ T = T_K \circ \cdots \circ T_1 $，每个变换均具有可计算的雅可比行列式，从而实现精确的密度评估和高效的采样。
• 密度评估的关键方程为 $ p_x(\mathbf{x}) = p_u(\mathbf{u}) \cdot |\det J_T(\mathbf{u})|^{-1} $，其中 $ \mathbf{x} = T(\mathbf{u}) $，对数雅可比行列式通过各变换步骤的累加计算。
• 基分布为具有匹配目标宇宙学场（如来自N体模拟）功率谱的关联高斯场，相比独立高斯先验，显著提升了样本质量。
• 流在3D N体模拟数据的2D投影上进行训练（125 $h^{-1}$ Mpc³体积的128×128像素图），使用最大似然估计进行训练。
• 性能通过统计指标（包括功率谱、三阶矩谱和对数概率密度）进行评估，并与先验和真实数据分布进行比较。

实验结果

研究问题

• RQ1 归一化流能否在场层面准确建模宇宙学随机场（如物质分布）的完整概率密度？
• RQ2 使用物理启发的关联高斯先验与独立标准高斯先验相比，在流性能和样本质量方面有何差异？
• RQ3 归一化流在多大程度上能复现宇宙学场的功率谱和三阶矩谱，特别是在N体模拟的非高斯区域？
• RQ4 在建模宇宙学场时，不同流架构（如real NVP与Glow）在收敛速度和样本保真度方面如何比较？
• RQ5 归一化流能否在宇宙学中有效用于场级变分推断，如CMB强引力透镜或动力学Sunyaev-Zeldovich层析成像？

主要发现

• 在关联高斯先验上训练的归一化流，其功率谱精度达到真实N体模拟数据的百分之几以内，最准确模型的对数功率谱偏差低于1%。
• 由训练流生成的样本的三阶矩谱与目标N体三阶矩谱匹配度在百分之几以内，表明对非高斯三阶统计量的准确建模。
• 在解析可计算的关联高斯情况下，密度评估在对数概率上达到百分之一级别的精度，证实了流对精确PDF的表示能力。
• 在应用于N体模拟数据时，Glow流架构相比real NVP收敛更快且生成样本质量更高，表明架构改进对复杂宇宙学场建模有益。
• 使用关联高斯先验显著提升了样本质量和学习效率，相比独立标准高斯先验，凸显了物理先验在宇宙学流建模中的重要性。
• 结果表明归一化流在场级推断任务中具有强大潜力，如CMB强引力透镜或动力学Sunyaev-Zeldovich层析成像中的非高斯先验建模，以及变分推断框架中的应用。