[论文解读] Robust marginalization of baryonic effects for cosmological inference at the field level

Francisco Villaescusa-Navarro, Shy Genel+12 more|arXiv (Cornell University)|Sep 21, 2021

Galaxies: Formation, Evolution, Phenomena参考文献 17被引用 4

一句话总结

该论文表明，深度神经网络能够从2D总质量面密度图中在场级水平稳健地推断宇宙学参数（Ωₘ 和 σ₈），即使在仅使用一个流体动力学模拟套件（如IllustrisTNG）进行训练并在另一个（如SIMBA）上进行测试时亦如此，且无需依赖尺度截断或星系物理效应抑制。网络从所有解析尺度（低至100 h⁻¹ kpc）中提取宇宙学信息，对Ωₘ和σ₈的精度分别达到4%和2.5%，表明其对星系物理效应具有有效的边缘化能力。

ABSTRACT

We train neural networks to perform likelihood-free inference from $(25\\,h^{-1}{\ m Mpc})^2$ 2D maps containing the total mass surface density from thousands of hydrodynamic simulations of the CAMELS project. We show that the networks can extract information beyond one-point functions and power spectra from all resolved scales ($\\gtrsim 100\\,h^{-1}{\ m kpc}$) while performing a robust marginalization over baryonic physics at the field level: the model can infer the value of $\\Omega_{\ m m} (\\pm 4\\%)$ and $\\sigma_8 (\\pm 2.5\\%)$ from simulations completely different to the ones used to train it.

研究动机与目标

• 开发一种宇宙学推断方法，从2D质量场图中提取最大信息量，同时对星系物理效应具有稳健的边缘化能力。
• 测试在一种流体动力学模拟套件（如IllustrisTNG）上训练的神经网络是否能泛化到另一种（如SIMBA）上，尽管二者在数值方法和亚网格模型上存在差异。
• 确定网络是否仅依赖大尺度信息，还是能从较小尺度、非线性结构中提取宇宙学信号。
• 评估网络是否通过隐式应用尺度截断或平滑来避免星系污染。
• 评估空间分辨率和空间滤波在从场级数据中进行宇宙学参数推断中的作用。

提出的方法

• 在CAMELS项目中1,000个模拟的256×256像素2D总质量面密度图上训练深度神经网络，使用IllustrisTNG和SIMBA两个模拟套件的数据。
• 采用拉丁超立方采样对宇宙学参数（Ωₘ ∈ [0.1, 0.5]，σ₈ ∈ [0.6, 1.0]）和天体物理反馈参数进行采样，以训练网络。
• 执行跨模拟套件的推断：在一种套件（如IllustrisTNG）上训练，在另一种（如SIMBA）上测试，反之亦然，以检验泛化能力。
• 通过使用不同宽度（1–3像素）的高斯核对图像进行平滑，执行尺度鲁棒性测试，并比较推断精度。
• 通过使用无重子的N体模拟进行消融研究，测试性能是否源于星系物理效应可忽略，或源于有效的边缘化。
• 通过预测宇宙学参数与真实值之间的相对均值和标准差来量化推断精度。

实验结果

研究问题

• RQ1 在一种流体动力学模拟套件（如IllustrisTNG）上训练的神经网络，能否泛化到另一套具有不同数值代码和亚网格模型的模拟套件（如SIMBA）上，以推断宇宙学参数？
• RQ2 网络在多大程度上从较小尺度、非线性结构（≤100 h⁻¹ kpc）中提取宇宙学信息，而非仅依赖大尺度功率谱？
• RQ3 网络的成功是否源于对星系物理效应的有效边缘化，还是其通过隐式应用尺度截断或平滑来规避星系影响的尺度？
• RQ4 当图像被平滑时性能是否下降，表明其依赖于高分辨率特征？
• RQ5 在无重子的N体图上训练的网络能否成功推断宇宙学参数，表明数据中星系效应可忽略？

主要发现

• 在IllustrisTNG图上训练的神经网络在SIMBA图上测试时，对Ωₘ和σ₈的推断相对精度分别达到4%和2.5%，反之亦然，表明其在不同模拟套件间具有稳健的泛化能力。
• 网络从所有解析尺度中提取宇宙学信息，包括最小尺度（1像素，≈98 h⁻¹ kpc），这通过在图像平滑后性能显著下降得到证实。
• 随着平滑程度增加，性能下降：Ωₘ的平均相对精度从无平滑时的3.4%上升至3像素核时的8.8%，表明网络依赖于精细结构。
• 在无重子的N体图上训练并在流体动力学图上测试时，无法恢复宇宙学参数，排除了图中星系效应可忽略的解释。
• 在流体动力学图（IllustrisTNG）上训练的网络在N体图上测试也失败，表明网络并未隐式应用尺度截断以避免星系效应。
• 在不同数值代码（AREPO与GIZMO）、亚网格模型（IllustrisTNG与SIMBA）和数值方法下，性能保持一致，证实网络已学会在场级水平对星系物理效应进行边缘化。