[论文解读] Sensitivity Analysis of Simulation-Based Inference for Galaxy Clustering

Chirag Modi, Shivam Pandey+4 more|arXiv (Cornell University)|Sep 26, 2023

demographic modeling and climate adaptation被引用 4

一句话总结

本文对星系团聚的基于模拟的推断（SBI）进行了敏感性分析，评估了引力模型、子结构搜索算法（FoF 与 Rockstar）以及星系-晕占有分布（HOD）模型的变化对宇宙学参数 σ₈ 和 Ωₘ 推断的影响。研究发现，SBI 对引力模型变化具有鲁棒性，但对子结构搜索算法的选择极为敏感——使用 Rockstar 时，基于三阶相关函数的推断会产生高达约 20% 的偏差；而 HOD 模型的复杂性显著影响鲁棒性，简单 HOD 模型在应用于复杂 HOD 数据时会失效。

ABSTRACT

Simulation-based inference (SBI) is a promising approach to leverage high fidelity cosmological simulations and extract information from the non-Gaussian, non-linear scales that cannot be modeled analytically. However, scaling SBI to the next generation of cosmological surveys faces the computational challenge of requiring a large number of accurate simulations over a wide range of cosmologies, while simultaneously encompassing large cosmological volumes at high resolution. This challenge can potentially be mitigated by balancing the accuracy and computational cost for different components of the the forward model while ensuring robust inference. To guide our steps in this, we perform a sensitivity analysis of SBI for galaxy clustering on various components of the cosmological simulations: gravity model, halo-finder and the galaxy-halo distribution models (halo-occupation distribution, HOD). We infer the $σ_8$ and $Ω_m$ using galaxy power spectrum multipoles and the bispectrum monopole assuming a galaxy number density expected from the luminous red galaxies observed using the Dark Energy Spectroscopy Instrument (DESI). We find that SBI is insensitive to changing gravity model between $N$-body simulations and particle mesh (PM) simulations. However, changing the halo-finder from friends-of-friends (FoF) to Rockstar can lead to biased estimate of $σ_8$ based on the bispectrum. For galaxy models, training SBI on more complex HOD leads to consistent inference for less complex HOD models, but SBI trained on simpler HOD models fails when applied to analyze data from a more complex HOD model. Based on our results, we discuss the outlook on cosmological simulations with a focus on applying SBI approaches to future galaxy surveys.

研究动机与目标

• 评估在宇宙学模拟的关键组件变化下，基于模拟的推断（SBI）在星系团聚中的鲁棒性。
• 识别对 σ₈ 和 Ωₘ 推断精度影响最大的模拟模型组件——引力模型、子结构搜索算法或星系-晕占有分布（HOD）模型。
• 评估在简化模型上训练的 SBI 是否能在应用于更复杂模型的数据时可靠地推断参数。
• 通过识别关键的模型误设来源，为下一代星系巡天中的 SBI 应用提供指导。
• 强调需要进行端到端的敏感性分析，而非孤立地测试单个组件，尤其是针对三阶相关函数等高阶统计量。

提出的方法

• 使用不同引力模型（N-body 与粒子网格）、子结构搜索算法（FoF 与 Rockstar）以及 HOD 参数化方式的高保真宇宙学模拟执行 SBI。
• 基于模拟的星系功率谱多极矩和三阶相关函数单极矩训练神经密度估计器，以推断 σ₈ 和 Ωₘ 的后验分布。
• 采用与 DESI 的明亮红巨星星系数量密度相匹配的固定值，以确保符合真实观测的缩放关系。
• 应用端到端的推断流程，评估各模拟组件的敏感性，重点关注后验偏差与一致性。
• 通过比较不同摘要统计量（功率谱与三阶相关函数）的结果，评估对非高斯特征的敏感性。
• 利用 Quijote 与 FastPM 模拟数据集，实现受控且可复现的敏感性测试。

Figure 1: Comparison of summary statistics for different forward models : We show the ratio of summary statistics for galaxy catalogs generated by varying one stage of the forward model, as indicated by the title of columns, while keeping the other two stages fixed. The three rows show the ratios fo

实验结果

研究问题

• RQ1 改变引力模型（N-body 与 PM）对 SBI 推断 σ₈ 和 Ωₘ 有何影响？
• RQ2 从 FoF 切换到 Rockstar 子结构搜索算法，对星系团聚统计量的 SBI 准确性有何影响？
• RQ3 HOD 模型的复杂性如何影响 SBI 的鲁棒性？当在简单 HOD 上训练但应用于复杂 HOD 数据时，结果如何？
• RQ4 与功率谱相比，三阶相关函数等高阶统计量是否对模拟模型误设更敏感？
• RQ5 端到端的 SBI 流程能否揭示非直观的敏感性，例如对引力模型不敏感但对子结构搜索算法高度敏感？

主要发现

• SBI 推断对 N-body 与粒子网格（PM）引力模型的选择不敏感，σ₈ 和 Ωₘ 估计均无显著偏差。
• 从 FoF 切换到 Rockstar 子结构搜索算法时，基于三阶相关函数的 σ₈ 估计会产生高达约 20% 的偏差，而基于功率谱的推断仍保持稳健。
• 在复杂 HOD 模型上训练的 SBI 在应用于简单 HOD 数据时能产生一致的后验分布，但反之则不成立——在简单 HOD 上训练的 SBI 在复杂 HOD 数据上会失效。
• 三阶相关函数比功率谱对模型误设更敏感，即使功率谱推断保持无偏，子结构搜索算法的变化仍会导致三阶相关函数结果出现偏差。
• 端到端敏感性分析揭示了非平凡的依赖关系，例如对引力模型不敏感但对子结构搜索算法高度敏感，凸显了整体流程测试的重要性。
• 随着高阶统计量和模型误设的增加，SBI 的鲁棒性面临更大挑战，未来巡天需在复杂、多模型的模拟数据上对 SBI 进行验证。

(a) Residuals and 1- $\sigma$ posterior width in inferring $\Omega_{m}$ and $\sigma_{8}$ (columns) for 100 different simulations with the power spectrum (top row) and bispectrum (bottom row) statistic using SBI. The labels indicate the forward model used for training. In blue we show results for SBI